論文の概要: Improving Generalizability of Kolmogorov-Arnold Networks via Error-Correcting Output Codes

• arxiv url: http://arxiv.org/abs/2505.05798v1
• Date: Fri, 09 May 2025 05:31:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.162547
• Title: Improving Generalizability of Kolmogorov-Arnold Networks via Error-Correcting Output Codes
• Title（参考訳）: 誤り訂正出力符号によるコルモゴロフ・アルノルドネットワークの一般化性の向上
• Authors: Youngjoon Lee, Jinu Gong, Joonhyuk Kang,
• Abstract要約: 誤り訂正出力コード(ECOC)をKAN(Kolmogorov-Arnold Networks)フレームワークに統合し,マルチクラス分類をバイナリタスクに変換する。 提案手法は,バニラ・カンの血液細胞分類データセットにおいて,ECOC法より優れていた。 マルチクラスの医用画像分類性能を向上させるため,ECOCとkanの統合はこれが初めてである。
• 参考スコア（独自算出の注目度）: 3.536605202672355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kolmogorov-Arnold Networks (KAN) offer universal function approximation using univariate spline compositions without nonlinear activations. In this work, we integrate Error-Correcting Output Codes (ECOC) into the KAN framework to transform multi-class classification into multiple binary tasks, improving robustness via Hamming-distance decoding. Our proposed KAN with ECOC method outperforms vanilla KAN on a challenging blood cell classification dataset, achieving higher accuracy under diverse hyperparameter settings. Ablation studies further confirm that ECOC consistently enhances performance across FastKAN and FasterKAN variants. These results demonstrate that ECOC integration significantly boosts KAN generalizability in critical healthcare AI applications. To the best of our knowledge, this is the first integration of ECOC with KAN for enhancing multi-class medical image classification performance.
• Abstract（参考訳）: Kolmogorov-Arnold Networks (KAN) は非線形活性化のない単変量スプライン合成を用いた普遍関数近似を提供する。 本研究では,Error-Correcting Output Codes (ECOC)をKanフレームワークに統合し,マルチクラス分類を複数のバイナリタスクに変換する。 提案手法は,バニラ・カンの血液細胞分類データセットに優れ,多彩なハイパーパラメータ設定で高い精度を実現している。 アブレーション研究により、ECOCはFastKANとFasterKANの亜種で一貫して性能を向上させることが確認された。 これらの結果は、ECOC統合が重要な医療用AIアプリケーションにおけるkanの一般化可能性を大幅に向上させることを示している。 我々の知る限りでは、ECOCとKANを統合してマルチクラスの医用画像分類性能を向上させるのはこれが初めてである。

関連論文リスト

• A Unified Benchmark of Federated Learning with Kolmogorov-Arnold Networks for Medical Imaging [3.536605202672355]
  Kolmogorov-Arnold Networks (KAN) はFederated Learning (FL) を効果的に置き換えることができる Kanは、分散医療におけるプライバシー保護医療画像アプリケーションのための、有望な代替手段だ。
  論文  参考訳（メタデータ） (2025-04-28T09:53:05Z)
• Comparative Analysis of Unsupervised and Supervised Autoencoders for Nuclei Classification in Clear Cell Renal Cell Carcinoma Images [1.3329051855548553]
  本研究は、透明細胞腎細胞癌(ccRCC)画像における核分類の自動化のための、教師付きおよび教師なしオートエンコーダ(AE)の応用について検討した。 我々は,標準AE,契約型AE,識別型AEなど,さまざまなAEアーキテクチャを評価する。 その結果, AEの分類能力を活用することにより, 攻撃性ccRCCの分類精度が向上した。
  論文  参考訳（メタデータ） (2025-04-04T03:52:32Z)
• A Genetic Algorithm-Based Approach for Automated Optimization of Kolmogorov-Arnold Networks in Classification Tasks [8.669319624657701]
  コルモゴロフ・アルノルドネットワーク(KAN)は2024年に導入され、多層パーセプトロンの解釈可能性の問題に対処している。 本稿では, GA-KANを提案する。GA-KANは, Kansの最適化を自動化する遺伝的アプローチであり, 設計プロセスに人間の介入を必要としない。 GA-KANは2つのおもちゃのデータセット上で検証され、元のkanのマニュアルチューニングを必要とせずに最適な結果が得られる。
  論文  参考訳（メタデータ） (2025-01-29T04:32:36Z)
• Deep Negative Correlation Classification [82.45045814842595]
  既存のディープアンサンブル手法は、多くの異なるモデルをナビゲートし、予測を集約する。 深部負相関分類(DNCC)を提案する。 DNCCは、個々の推定器が正確かつ負の相関を持つ深い分類アンサンブルを生成する。
  論文  参考訳（メタデータ） (2022-12-14T07:35:20Z)
• Orthogonal SVD Covariance Conditioning and Latent Disentanglement [65.67315418971688]
  SVDメタ層をニューラルネットワークに挿入すると、共分散が不調和になる。 我々は最寄り直交勾配(NOG)と最適学習率(OLR)を提案する。 視覚認識実験は,共分散条件と一般化を同時に改善できることを実証した。
  論文  参考訳（メタデータ） (2022-12-11T20:31:31Z)
• Improving Covariance Conditioning of the SVD Meta-layer by Orthogonality [65.67315418971688]
  最寄り直交勾配(NOG)と最適学習率(OLR)を提案する。 視覚認識実験は,共分散条件と一般化を同時に改善できることを実証した。
  論文  参考訳（メタデータ） (2022-07-05T15:39:29Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Common Spatial Generative Adversarial Networks based EEG Data Augmentation for Cross-Subject Brain-Computer Interface [4.8276709243429]
  脳波に基づく脳-コンピュータインタフェース(BCI)のクロスオブジェクト応用は、知覚が難しい大きな個人差と複雑な特徴によって常に制限されてきた。 CS-GAN(Common Space GAN)と呼ばれるGAN(Generative Adversarial Network)に基づくクロスオブジェクトEEG分類フレームワークを提案する。 我々のフレームワークは、オブジェクト間の問題に対処し、BCIの実践的応用を促進するための有望な方法を提供する。
  論文  参考訳（メタデータ） (2021-02-08T10:37:03Z)
• Deep N-ary Error Correcting Output Codes [66.15481033522343]
  Ecoror Correcting Output Codes (ECOC) のようなデータ非依存のアンサンブル手法が注目を集めている。 N-ary ECOCは、元の多クラス分類問題を、独立した単純な分類サブプロブレムのシリーズに分解する。 深部N-ary ECOCのためのパラメータ共有アーキテクチャの3つのバリエーションを提案する。
  論文  参考訳（メタデータ） (2020-09-22T11:35:03Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。