論文の概要: A signal separation view of classification

• arxiv url: http://arxiv.org/abs/2509.24140v1
• Date: Mon, 29 Sep 2025 00:28:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.657933
• Title: A signal separation view of classification
• Title（参考訳）: 分類の信号分離
• Authors: H. N. Mhaskar, Ryan O'Dowd,
• Abstract要約: 理論的には,最小限のラベル数を用いたクラス数と完全分類の両方が得られる。 サリナスとインディアンパインズのハイパースペクトルデータセットや文書データセットなど、シミュレーションされた実生活のデータセットについて、我々の理論を解説する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of classification in machine learning has often been approached in terms of function approximation. In this paper, we propose an alternative approach for classification in arbitrary compact metric spaces which, in theory, yields both the number of classes, and a perfect classification using a minimal number of queried labels. Our approach uses localized trigonometric polynomial kernels initially developed for the point source signal separation problem in signal processing. Rather than point sources, we argue that the various classes come from different probability distributions. The localized kernel technique developed for separating point sources is then shown to separate the supports of these distributions. This is done in a hierarchical manner in our MASC algorithm to accommodate touching/overlapping class boundaries. We illustrate our theory on several simulated and real life datasets, including the Salinas and Indian Pines hyperspectral datasets and a document dataset.
• Abstract（参考訳）: 機械学習における分類の問題は、関数近似の観点からしばしばアプローチされてきた。 本稿では,任意のコンパクトな距離空間における分類の代替として,クラス数と最小数のクエリラベルを用いた完全分類を理論的に生成する手法を提案する。 本手法は,信号処理における点源信号分離問題のために最初に開発された局所三角多項式カーネルを用いている。 点源ではなく、様々なクラスは異なる確率分布から来ていると論じる。 点源を分離するために開発された局所化されたカーネル技術は、これらの分布の支持を分離する。 これはMASCアルゴリズムの階層的な方法で行われ、タッチ/オーバーラップするクラス境界に対応する。 サリナスとインディアンパインズのハイパースペクトルデータセットや文書データセットなど、シミュレーションされた実生活のデータセットについて、我々の理論を解説する。

関連論文リスト

• Active Learning Classification from a Signal Separation Perspective [0.0]
  本稿では,信号分離の原理に触発された新しいクラスタリングと分類フレームワークを提案する。 実世界のサリナスとインドパインズのハイパースペクトルデータセット上で本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-02-23T03:47:03Z)
• An Enhanced Classification Method Based on Adaptive Multi-Scale Fusion for Long-tailed Multispectral Point Clouds [67.96583737413296]
  長距離分布を持つMPCに対する適応的マルチスケール融合に基づく拡張型分類法を提案する。 トレーニングセット生成段階では、スパースラベル付きデータセットからトレーニングサンプルを確実に生成するグリッドバランスサンプリング戦略が設計されている。 特徴学習の段階では,異なるスケールの土地被覆の浅い特徴を融合させるため,マルチスケールの特徴融合モジュールが提案されている。
  論文  参考訳（メタデータ） (2024-12-16T03:21:20Z)
• Categorical Data Clustering via Value Order Estimated Distance Metric Learning [53.28598689867732]
  本稿では,分類属性を直感的に表現する新しい順序距離計量学習手法を提案する。 新しい共同学習パラダイムが開発され、クラスタリングとオーダー距離メートル法学習の代替となる。 提案手法は分類および混合データセットのクラスタリング精度に優れる。
  論文  参考訳（メタデータ） (2024-11-19T08:23:25Z)
• Semi-Supervised Laplace Learning on Stiefel Manifolds [48.3427853588646]
  グラフベースで教師付きサンプルを低ラベルレートで作成するためのフレームワークSequential Subspaceを開発した。 我々の手法は極めて低いレートで、高いラベルレートで達成できる。
  論文  参考訳（メタデータ） (2023-07-31T20:19:36Z)
• Hierarchical Multiresolution Feature- and Prior-based Graphs for Classification [3.1219977244201056]
  多分解能近傍グラフの3つの変種と階層的条件付きランダムフィールドのグラフの分類問題を定式化した。 これらのグラフはそれぞれ重み付けされ、無向的であり、したがって空間的あるいは階層的な関係をあらゆる方向に組み込むことができた。 空間特徴に基づく部分グラフのエッジ重みを導出する新しいメカニズムを用いてランダムなウォーカーグラフ上に拡張した。
  論文  参考訳（メタデータ） (2023-06-03T15:58:38Z)
• An Upper Bound for the Distribution Overlap Index and Its Applications [22.92968284023414]
  本稿では,2つの確率分布間の重なり関数に対する計算容易な上限を提案する。 提案した境界は、一級分類と領域シフト解析においてその値を示す。 私たちの研究は、重複ベースのメトリクスの応用を拡大する大きな可能性を示しています。
  論文  参考訳（メタデータ） (2022-12-16T20:02:03Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies [65.92826041406802]
  本稿では,グラフ分類の観点から,プロキシベースのディープグラフメトリックラーニング手法を提案する。 複数のグローバルプロキシを利用して、各クラスの元のデータポイントを総括的に近似する。 本研究では, 近接関係を接地トラス・ラベルに従って調整する, 新たな逆ラベル伝搬アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-10-26T14:52:42Z)
• A Method for Handling Multi-class Imbalanced Data by Geometry based Information Sampling and Class Prioritized Synthetic Data Generation (GICaPS) [15.433936272310952]
  本稿では,多ラベル分類問題における不均衡データ処理の問題について考察する。 特徴ベクトル間の幾何学的関係を利用する2つの新しい手法が提案されている。 提案手法の有効性は,汎用的なマルチクラス認識問題を解くことによって解析する。
  論文  参考訳（メタデータ） (2020-10-11T04:04:26Z)
• Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
  本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。 埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。 複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
  論文  参考訳（メタデータ） (2020-03-09T13:51:09Z)

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。