論文の概要: SMILE: A Super-resolution Guided Multi-task Learning Method for Hyperspectral Unmixing
- arxiv url: http://arxiv.org/abs/2509.11093v1
- Date: Sun, 14 Sep 2025 05:10:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-16 17:26:22.913654
- Title: SMILE: A Super-resolution Guided Multi-task Learning Method for Hyperspectral Unmixing
- Title（参考訳）: SMILE:ハイパースペクトルアンミックスのための超高分解能ガイドマルチタスク学習法
- Authors: Ruiying Li, Bin Pan, Qiaoying Qu, Xia Xu, Zhenwei Shi,
- Abstract要約: 理論解析を行い、ハイパースペクトルアンミックスのための超解像誘導マルチタスク学習法を提案する。
提案フレームワークは,共有表現と特定の表現の両方を学習することで,超解像から解像への正の情報を一般化する。
- 参考スコア（独自算出の注目度）: 25.398481016694756
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The performance of hyperspectral unmixing may be constrained by low spatial resolution, which can be enhanced using super-resolution in a multitask learning way. However, integrating super-resolution and unmixing directly may suffer two challenges: Task affinity is not verified, and the convergence of unmixing is not guaranteed. To address the above issues, in this paper, we provide theoretical analysis and propose super-resolution guided multi-task learning method for hyperspectral unmixing (SMILE). The provided theoretical analysis validates feasibility of multitask learning way and verifies task affinity, which consists of relationship and existence theorems by proving the positive guidance of super-resolution. The proposed framework generalizes positive information from super-resolution to unmixing by learning both shared and specific representations. Moreover, to guarantee the convergence, we provide the accessibility theorem by proving the optimal solution of unmixing. The major contributions of SMILE include providing progressive theoretical support, and designing a new framework for unmixing under the guidance of super-resolution. Our experiments on both synthetic and real datasets have substantiate the usefulness of our work.
- Abstract（参考訳）: ハイパースペクトルアンミキシングの性能は、低空間分解能によって制約され、マルチタスク学習方式で超解像を用いて拡張することができる。
タスク親和性は検証されず、アンミックスの収束は保証されない。
以上の問題に対処するため,本稿では理論解析を行い,超高スペクトルアンミックス(SMILE)のための超解像誘導マルチタスク学習法を提案する。
提案した理論解析は,マルチタスク学習方式の実現可能性を検証するとともに,超解像の正のガイダンスを証明し,関係定理と存在定理からなるタスク親和性を検証する。
提案フレームワークは,共有表現と特定の表現の両方を学習することで,超解像から解像への正の情報を一般化する。
さらに、収束を保証するために、未混合の最適解を証明してアクセシビリティ定理を提供する。
SMILEの主な貢献は、プログレッシブな理論的支援の提供と、超解像の指導の下でアンミックスする新しいフレームワークの設計である。
合成データと実データの両方に関する実験は、我々の研究の有用性を裏付けるものである。
関連論文リスト
- Robust and Adaptive Spectral Method for Representation Multi-Task Learning with Contamination [12.976560150719928]
本稿では, 未知かつ潜在的に大きな汚染率を有する表現型MLLに挑戦する。
本稿では,共有不整合表現を効果的かつ効率的に蒸留できるRobust and Adaptive Spectral法(RAS)を提案する。
論文 参考訳（メタデータ） (2025-09-08T11:41:30Z) - Multi-Task Learning with Multi-Task Optimization [31.518330903602095]
最適化されているが、よく分散されたモデルの集合が、1つのアルゴリズムパスで異なるトレードオフを具現化していることを示す。
様々な問題設定を解決するために,マルチタスク最適化を用いたマルチタスク学習を提案する。
論文 参考訳（メタデータ） (2024-03-24T14:04:40Z) - Efficient Alternating Minimization Solvers for Wyner Multi-View
Unsupervised Learning [0.0]
本稿では,計算効率のよい解法の開発を可能にする2つの新しい定式化法を提案する。
提案した解法は, 計算効率, 理論的収束保証, ビュー数による局所最小値複雑性, 最先端技術と比較して, 例外的な精度を提供する。
論文 参考訳（メタデータ） (2023-03-28T10:17:51Z) - Auxiliary Learning as an Asymmetric Bargaining Game [50.826710465264505]
補助学習におけるタスクのバランスをとるために,AuxiNashという新しい手法を提案する。
本報告では,主課題の性能に対する貢献に基づいて,タスクの獲得能力を学ぶための効率的な手順について述べる。
複数のマルチタスクベンチマークでAuxiNashを評価し、競合する手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2023-01-31T09:41:39Z) - Synergies between Disentanglement and Sparsity: Generalization and
Identifiability in Multi-Task Learning [79.83792914684985]
我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。
この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
論文 参考訳（メタデータ） (2022-11-26T21:02:09Z) - Pareto Manifold Learning: Tackling multiple tasks via ensembles of
single-task models [50.33956216274694]
マルチタスク学習(MTL)では、タスクは、ソリューションへの最適化を導くのではなく、互いに達成したパフォーマンスを競い、制限することができる。
重み空間におけるアンサンブル手法であるTextitPareto Manifold Learningを提案する。
論文 参考訳（メタデータ） (2022-10-18T11:20:54Z) - Efficient Continuous Pareto Exploration in Multi-Task Learning [34.41682709915956]
本稿では,機械学習問題における最適解の連続解析手法を提案する。
サンプルベーススパース線形システムを提案することにより、現代の機械学習問題に対する多目的最適化の理論結果をスケールアップする。
論文 参考訳（メタデータ） (2020-06-29T23:36:20Z) - Pareto Multi-Task Learning [53.90732663046125]
マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。
異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。
近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
論文 参考訳（メタデータ） (2019-12-30T08:58:40Z)
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。