論文の概要: Hyperbolic Structured Classification for Robust Single Positive Multi-label Learning

• arxiv url: http://arxiv.org/abs/2510.15296v1
• Date: Fri, 17 Oct 2025 04:06:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.465787
• Title: Hyperbolic Structured Classification for Robust Single Positive Multi-label Learning
• Title（参考訳）: ロバストな単一正の多ラベル学習のための双曲構造分類
• Authors: Yiming Lin, Shang Wang, Junkai Zhou, Qiufeng Wang, Xiao-Bo Jin, Kaizhu Huang,
• Abstract要約: Single Positive Multi-Label Learning (SPMLL)は、各トレーニングサンプルが1つの正のラベルでアノテートされるという、難しいシナリオに対処する。 本稿では,各ラベルを点やベクトルではなく,双曲球として表現する最初の双曲分類フレームワークを提案する。 球型アプローチは自然に複数の関係型を同時にキャプチャする。
• 参考スコア（独自算出の注目度）: 30.495605274892878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single Positive Multi-Label Learning (SPMLL) addresses the challenging scenario where each training sample is annotated with only one positive label despite potentially belonging to multiple categories, making it difficult to capture complex label relationships and hierarchical structures. While existing methods implicitly model label relationships through distance-based similarity, lacking explicit geometric definitions for different relationship types. To address these limitations, we propose the first hyperbolic classification framework for SPMLL that represents each label as a hyperbolic ball rather than a point or vector, enabling rich inter-label relationship modeling through geometric ball interactions. Our ball-based approach naturally captures multiple relationship types simultaneously: inclusion for hierarchical structures, overlap for co-occurrence patterns, and separation for semantic independence. Further, we introduce two key component innovations: a temperature-adaptive hyperbolic ball classifier and a physics-inspired double-well regularization that guides balls toward meaningful configurations. To validate our approach, extensive experiments on four benchmark datasets (MS-COCO, PASCAL VOC, NUS-WIDE, CUB-200-2011) demonstrate competitive performance with superior interpretability compared to existing methods. Furthermore, statistical analysis reveals strong correlation between learned embeddings and real-world co-occurrence patterns, establishing hyperbolic geometry as a more robust paradigm for structured classification under incomplete supervision.
• Abstract（参考訳）: SPMLL(Single Positive Multi-Label Learning)は、複数のカテゴリに属する可能性があるにもかかわらず、各トレーニングサンプルが1つの正のラベルでアノテートされるという難題に対処する。 既存の手法は、距離に基づく類似性を通じてラベル関係を暗黙的にモデル化するが、異なる関係型に対する明示的な幾何学的定義は欠如している。 これらの制約に対処するために,各ラベルを点やベクトルではなく双曲球として表現するSPMLLの最初の双曲分類フレームワークを提案する。 我々のボールベースのアプローチは、階層構造への包摂、共起パターンの重複、セマンティック独立のための分離など、複数の関係タイプを同時にキャプチャする。 さらに、温度適応型双曲球分類器と、有意な構成に向けて球を誘導する物理に着想を得たダブルウェル正規化という2つの重要なコンポーネントの革新を紹介した。 提案手法を検証するため,4つのベンチマークデータセット(MS-COCO, PASCAL VOC, NUS-WIDE, CUB-200-2011)の広範な実験を行った。 さらに、統計解析により、学習された埋め込みと実世界の共起パターンの間に強い相関関係が明らかとなり、不完全監督下の構造化分類のためのより堅牢なパラダイムとして双曲幾何学が確立される。

関連論文リスト

• Retrieval over Classification: Integrating Relation Semantics for Multimodal Relation Extraction [6.478238734128006]
  関係抽出(RE)は、非構造化テキストにおけるエンティティ間の意味的関係を特定することを目的としている。 underlineRetrieval underlineOver underlineClassification (ROC)は、リレーショナルセマンティクスによって駆動される検索タスクとしてマルチモーダルREを再構成する新しいフレームワークである。 ROCは、マルチモーダルエンコーダを通じてエンティティタイプと位置情報を統合し、大きな言語モデルを用いて関係ラベルを自然言語記述に拡張し、意味的類似性に基づくコントラスト学習を通じてエンティティ-リレーションペアを調整する。
  論文  参考訳（メタデータ） (2025-09-25T13:38:38Z)
• Exploring Partial Multi-Label Learning via Integrating Semantic Co-occurrence Knowledge [30.05176623784069]
  部分的マルチラベル学習は、不完全な注釈付きデータから知識を抽出することを目的としている。 主な課題は、ラベルとインスタンス間のあいまいな関係を正確に識別することである。 本稿では,セマンティック・コレクレンス・インサイト・ネットワーク(SCINet)を提案する。
  論文  参考訳（メタデータ） (2025-07-08T13:53:28Z)
• A Set-to-Set Distance Measure in Hyperbolic Space [50.134086375286074]
  双曲空間における集合間の相似性を計算するための双曲的集合間距離測度を提案する。 位相的差を考慮すると、HS2SDは2つの双曲集合の間の関係をより微妙に理解する。
  論文  参考訳（メタデータ） (2025-06-23T11:31:40Z)
• Continual Hyperbolic Learning of Instances and Classes [41.32412210317651]
  インスタンスとクラスを連続的に学習するタスクを同時に導入する。 このタスクは、時間とともに複数のレベルの粒度に適応するようにモデルに挑戦する。 本稿では,クラスとインスタンスが自然に階層構造を形成することを確かめる。
  論文  参考訳（メタデータ） (2025-06-12T13:59:57Z)
• GSSF: Generalized Structural Sparse Function for Deep Cross-modal Metric Learning [51.677086019209554]
  ペアワイド類似性学習のためのモダリティ間の強力な関係を捕捉する汎用構造スパースを提案する。 距離メートル法は、対角線とブロック対角線の2つの形式を微妙にカプセル化する。 クロスモーダルと2つの余分なユニモーダル検索タスクの実験は、その優位性と柔軟性を検証した。
  論文  参考訳（メタデータ） (2024-10-20T03:45:50Z)
• From Semantics to Hierarchy: A Hybrid Euclidean-Tangent-Hyperbolic Space Model for Temporal Knowledge Graph Reasoning [1.1372536310854844]
  時間的知識グラフ(TKG)推論は、過去のデータに基づいて将来の出来事を予測する。 既存のユークリッドモデルはセマンティクスを捉えるのに優れているが、階層構造に苦しむ。 ユークリッドモデルと双曲モデルの両方の強みを利用する新しいハイブリッド幾何空間アプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-30T10:33:08Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Transformer-based Dual Relation Graph for Multi-label Image Recognition [56.12543717723385]
  本稿では,トランスフォーマーをベースとしたデュアルリレーショナル学習フレームワークを提案する。 相関の2つの側面、すなわち構造関係グラフと意味関係グラフについて検討する。 提案手法は,2つのポピュラーなマルチラベル認識ベンチマークにおいて,最先端性を実現する。
  論文  参考訳（メタデータ） (2021-10-10T07:14:52Z)
• A Fully Hyperbolic Neural Model for Hierarchical Multi-Class Classification [7.8176853587105075]
  双曲空間は、記号データの階層的表現を学ぶために数学的に魅力的なアプローチを提供する。 本研究は,双曲空間におけるすべての操作を実行する多クラス多ラベル分類のための完全双曲モデルを提案する。 徹底的な分析では、最終予測における各コンポーネントの影響に光を当て、ユークリッド層との統合の容易さを示している。
  論文  参考訳（メタデータ） (2020-10-05T14:42:56Z)

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。