論文の概要: Hyperbolic Dual Feature Augmentation for Open-Environment
- arxiv url: http://arxiv.org/abs/2506.08906v1
- Date: Tue, 10 Jun 2025 15:34:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-11 15:11:42.678439
- Title: Hyperbolic Dual Feature Augmentation for Open-Environment
- Title（参考訳）: 開放環境における双曲的双曲的特徴増強
- Authors: Peilin Yu, Yuwei Wu, Zhi Gao, Xiaomeng Fan, Shuo Yang, Yunde Jia,
- Abstract要約: 本稿では,双曲型空間における双曲型特徴量拡張手法を提案し,双曲型特徴量拡張手法を提案する。
本手法は,オープン環境における双曲型アルゴリズムの性能を効果的に向上させる。
- 参考スコア（独自算出の注目度）: 41.23999800250096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Feature augmentation generates novel samples in the feature space, providing an effective way to enhance the generalization ability of learning algorithms with hyperbolic geometry. Most hyperbolic feature augmentation is confined to closed-environment, assuming the number of classes is fixed (\emph{i.e.}, seen classes) and generating features only for these classes. In this paper, we propose a hyperbolic dual feature augmentation method for open-environment, which augments features for both seen and unseen classes in the hyperbolic space. To obtain a more precise approximation of the real data distribution for efficient training, (1) we adopt a neural ordinary differential equation module, enhanced by meta-learning, estimating the feature distributions of both seen and unseen classes; (2) we then introduce a regularizer to preserve the latent hierarchical structures of data in the hyperbolic space; (3) we also derive an upper bound for the hyperbolic dual augmentation loss, allowing us to train a hyperbolic model using infinite augmentations for seen and unseen classes. Extensive experiments on five open-environment tasks: class-incremental learning, few-shot open-set recognition, few-shot learning, zero-shot learning, and general image classification, demonstrate that our method effectively enhances the performance of hyperbolic algorithms in open-environment.
- Abstract（参考訳）: 特徴拡張は特徴空間における新しいサンプルを生成し、双曲幾何学を用いた学習アルゴリズムの一般化能力を高める効果的な方法を提供する。
ほとんどの双曲的特徴増強は閉環境に制限され、クラスの数が固定(\emph{i.e.}, seen class)であると仮定し、これらのクラスにのみ特徴を生成する。
本稿では,双曲的双曲的特徴増進法を提案し,双曲的空間における双曲的特徴増進法を提案する。
実データ分布のより正確な近似式を得るため,(1)メタラーニングにより強化されたニューラル常微分方程式モジュールを用いて,目に見えるクラスと目見えないクラスの特徴分布を推定し,(2)双曲空間におけるデータの潜在階層構造を保存するための正規化器を導入する,(3)双曲的増大損失の上限を導出し,目に見えるクラスと目見えないクラスの無限拡張を用いた双曲モデルの訓練を可能にする。
クラスインクリメンタルラーニング,少数ショットオープンセット認識,少数ショットラーニング,ゼロショットラーニング,一般画像分類という5つのオープン環境課題に対する大規模な実験により,オープン環境におけるハイパーボリックアルゴリズムの性能を効果的に向上させることが実証された。
関連論文リスト
- Enhance Hyperbolic Representation Learning via Second-order Pooling [8.798965454017988]
双曲表現学習に二階プーリングを導入する。
入力特徴の一般化能力を損なうことなく、サンプル間の距離を自然に増加させる。
低次元の双線形特徴を低次元空間でよく近似できるカーネル近似正則化を提案する。
論文 参考訳（メタデータ） (2024-10-29T13:17:43Z) - Robust Hyperbolic Learning with Curvature-Aware Optimization [7.89323764547292]
現在の双曲型学習アプローチは、過度に適合し、計算コストが高く、不安定になりがちである。
本稿では,双曲的埋め込みを制限し,近似誤差を低減するために,新しい微調整可能な双曲的スケーリング手法を提案する。
提案手法は,コンピュータビジョン,脳波分類,階層的メトリック学習タスクにおける一貫した改善を示す。
論文 参考訳（メタデータ） (2024-05-22T20:30:14Z) - Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of
the Same Coin [49.12496652756007]
この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。
従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
論文 参考訳（メタデータ） (2023-09-18T14:51:46Z) - Hyperbolic Representation Learning: Revisiting and Advancing [43.1661098138936]
本稿では,現在普及しているhlmを精査する位置追跡機構を導入し,学習された表現が準最適で不満足であることを明らかにする。
本稿では,ノードの双曲的距離から推定されるコストフリーな階層的情報を原点に組み込むことにより,シンプルで効果的な情報埋め込み手法であるハイボリックインフォメーション(HIE)を提案する。
提案手法は, 競合するベースラインに比べて最大21.4%向上した。
論文 参考訳（メタデータ） (2023-06-15T13:25:39Z) - HMSN: Hyperbolic Self-Supervised Learning by Clustering with Ideal
Prototypes [7.665392786787577]
プロトタイプに基づくクラスタリング手法の自己教師付き表現学習には,双曲表現空間を用いる。
我々はMasked Siamese Networksを拡張し、双曲空間のPoincar'eボールモデルで操作する。
従来の手法とは異なり、エンコーダネットワークの出力における双曲空間に投影し、双曲投影ヘッドを利用して、下流タスクに使用される表現が双曲的であることを保証する。
論文 参考訳（メタデータ） (2023-05-18T12:38:40Z) - Augmentations in Hypergraph Contrastive Learning: Fabricated and
Generative [126.0985540285981]
我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。
我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。
拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
論文 参考訳（メタデータ） (2022-10-07T20:12:20Z) - HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric
Regularization [52.369435664689995]
HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。
具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。
提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
論文 参考訳（メタデータ） (2022-04-18T06:11:44Z) - Enhancing Hyperbolic Graph Embeddings via Contrastive Learning [7.901082408569372]
複数の双曲空間を通してノード表現を学習する新しいハイパーボリックグラフコントラスト学習(HGCL)フレームワークを提案する。
複数の実世界のデータセットに対する実験結果は、提案したHGCLの優位性を示している。
論文 参考訳（メタデータ） (2022-01-21T06:10:05Z) - Robust Large-Margin Learning in Hyperbolic Space [64.42251583239347]
ユークリッド空間ではなく双曲型で分類器を学ぶための最初の理論的保証を示す。
本研究では, 対向例の慎重な注入に頼って, 大面積超平面を効率よく学習するアルゴリズムを提案する。
双曲空間によく埋め込まれる階層的データに対して、低埋め込み次元は優れた保証を保証することを証明している。
論文 参考訳（メタデータ） (2020-04-11T19:11:30Z) - Differentiating through the Fr\'echet Mean [51.32291896926807]
フレット平均(Fr'echet mean)はユークリッド平均の一般化である。
任意のリーマン多様体に対して Fr'echet 平均を微分する方法を示す。
これにより、Fr'echet平均を双曲型ニューラルネットワークパイプラインに完全に統合する。
論文 参考訳（メタデータ） (2020-02-29T19:49:38Z)
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。