論文の概要: Combined Hyperbolic and Euclidean Soft Triple Loss Beyond the Single Space Deep Metric Learning

• arxiv url: http://arxiv.org/abs/2510.05643v1
• Date: Tue, 07 Oct 2025 07:42:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.14385
• Title: Combined Hyperbolic and Euclidean Soft Triple Loss Beyond the Single Space Deep Metric Learning
• Title（参考訳）: 双曲型とユークリッド型ソフト3重損失が1つの空間深度学習を超えた場合
• Authors: Shozo Saeki, Minoru Kawahara, Hirohisa Aman,
• Abstract要約: 双曲空間とユークリッド空間の組み合わせは、両方の空間のDML精度と学習安定性を向上させる。 4つのベンチマークデータセットにおけるCHEST損失を評価し、新しい最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Deep metric learning (DML) aims to learn a neural network mapping data to an embedding space, which can represent semantic similarity between data points. Hyperbolic space is attractive for DML since it can represent richer structures, such as tree structures. DML in hyperbolic space is based on pair-based loss or unsupervised regularization loss. On the other hand, supervised proxy-based losses in hyperbolic space have not been reported yet due to some issues in applying proxy-based losses in a hyperbolic space. However, proxy-based losses are attractive for large-scale datasets since they have less training complexity. To address these, this paper proposes the Combined Hyperbolic and Euclidean Soft Triple (CHEST) loss. CHEST loss is composed of the proxy-based losses in hyperbolic and Euclidean spaces and the regularization loss based on hyperbolic hierarchical clustering. We find that the combination of hyperbolic and Euclidean spaces improves DML accuracy and learning stability for both spaces. Finally, we evaluate the CHEST loss on four benchmark datasets, achieving a new state-of-the-art performance.
• Abstract（参考訳）: ディープメトリックラーニング(DML)は、ニューラルネットワークから埋め込み空間へのマッピングデータを学習することを目的としており、データポイント間のセマンティックな類似性を表現できる。 双曲空間は、木構造のようなよりリッチな構造を表現することができるため、DMLにとって魅力的である。 双曲空間におけるDMLは、ペアベースの損失または教師なし正規化損失に基づいている。 一方、ハイパーボリック空間におけるプロキシベースの損失の適用に関するいくつかの問題により、ハイパーボリック空間におけるプロキシベースの損失の監視がまだ報告されていない。 しかし、トレーニングの複雑さが少ないため、大規模なデータセットではプロキシベースの損失が魅力的だ。 そこで本稿では,HybolicとEuclidean Soft Triple(CHEST)の併用による損失について述べる。 CHEST損失は、双曲的およびユークリッド空間におけるプロキシに基づく損失と、双曲的階層的クラスタリングに基づく正規化損失からなる。 双曲空間とユークリッド空間の組み合わせは、両方の空間のDML精度と学習安定性を向上させる。 最後に、4つのベンチマークデータセットにおけるCHEST損失を評価し、新しい最先端のパフォーマンスを実現する。

関連論文リスト

• Geometry-aware Distance Measure for Diverse Hierarchical Structures in Hyperbolic Spaces [48.948334221681684]
  双曲空間における幾何対応距離測度を提案し、様々な階層構造に動的に適応する。 我々の手法は、固定距離測定を用いた学習方法よりも一貫して優れている。 可視化は、双曲空間におけるクラス境界の明確化とプロトタイプ分離の改善を示している。
  論文  参考訳（メタデータ） (2025-06-23T11:43:39Z)
• Understanding and Mitigating Hyperbolic Dimensional Collapse in Graph Contrastive Learning [70.0681902472251]
  双曲空間における高品質グラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。 具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。 双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
  論文  参考訳（メタデータ） (2023-10-27T15:31:42Z)
• HyP$^2$ Loss: Beyond Hypersphere Metric Space for Multi-label Image Retrieval [20.53316810731414]
  ハイブリッドプロキシペアロス(HyP$2$ロス)を用いた新しいメトリクス学習フレームワークを提案する。 提案されたHyP$2$Losは、学習可能なプロキシによるハイパースフィア空間の最適化と、無関係なペアのデータ-データ相関の探索に焦点を当てている。
  論文  参考訳（メタデータ） (2022-08-14T15:06:27Z)
• Towards Scalable Hyperbolic Neural Networks using Taylor Series Approximations [10.056167107654089]
  ハイパーボリックネットワークは、階層的データセットを含むいくつかの領域において、ユークリッドネットワークよりも顕著に改善されている。 それらの実践における採用は、(i)高速化されたディープラーニングハードウェアの非スケーリング性、(ii)双曲空間の閉鎖による消滅、(iii)情報損失により制限されている。 テイラー級数展開を用いた双曲作用素の近似を提案し、双曲函数の接勾配を同変に再構成する。
  論文  参考訳（メタデータ） (2022-06-07T22:31:17Z)
• Geometric Graph Representation Learning via Maximizing Rate Reduction [73.6044873825311]
  学習ノード表現は、コミュニティ検出やノード分類などのグラフ解析において、さまざまな下流タスクの恩恵を受ける。 教師なしの方法でノード表現を学習するための幾何学グラフ表現学習(G2R)を提案する。 G2R は異なるグループ内のノードを異なる部分空間にマッピングし、各部分空間はコンパクトで異なる部分空間が分散される。
  論文  参考訳（メタデータ） (2022-02-13T07:46:24Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• CO-SNE: Dimensionality Reduction and Visualization for Hyperbolic Data [10.618060176686916]
  ユークリッド空間可視化ツール t-SNE を双曲空間に拡張した CO-SNE を提案する。 ユークリッド空間とは異なり、双曲空間は不均一であり、体積は原点から遠く離れた位置にある多くの点を含むことができる。 我々は高次元双曲生物データと教師なし学習双曲表現にCO-SNEを適用した。
  論文  参考訳（メタデータ） (2021-11-30T00:21:47Z)
• Multi Proxy Anchor Family Loss for Several Types of Gradients [0.0]
  本稿では,3つのマルチプロキシ・アンカー(MPA)ファミリーの損失と正規化割引累積ゲイン(nDCG@k)尺度を提案する。 MPAファミリーの損失は、勾配問題の解決によるニューラルネットワークのトレーニング能力を向上させる。 MPAファミリーの損失の有効性を実証し、MPAファミリーの損失は細粒度画像の2つのデータセットに対して高い精度を達成する。
  論文  参考訳（メタデータ） (2021-10-08T09:34:38Z)
• 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)
• clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
  中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。 理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。 我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
  論文  参考訳（メタデータ） (2020-03-16T16:27:49Z)

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。