論文の概要: Saliency Map-Guided Knowledge Discovery for Subclass Identification with LLM-Based Symbolic Approximations

• arxiv url: http://arxiv.org/abs/2511.07126v1
• Date: Mon, 10 Nov 2025 14:11:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.293728
• Title: Saliency Map-Guided Knowledge Discovery for Subclass Identification with LLM-Based Symbolic Approximations
• Title（参考訳）: LLMに基づくシンボリック近似を用いたサブクラス同定のための親和性マップによる知識発見
• Authors: Tim Bohne, Anne-Kathrin Patricia Windler, Martin Atzmueller,
• Abstract要約: 本稿では,センサ信号に基づく知識発見のためのニューラルシンボリックアプローチを提案する。 我々は、トレーニングされたニューラルネットワークから導出される勾配に基づく塩分濃度マップを用いて、発見プロセスの導出を行う。 確立された時系列分類データセットの実験結果から,サリエンシマップ駆動法による知識発見の有効性が示された。
• 参考スコア（独自算出の注目度）: 0.6967006044904097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a novel neuro-symbolic approach for sensor signal-based knowledge discovery, focusing on identifying latent subclasses in time series classification tasks. The approach leverages gradient-based saliency maps derived from trained neural networks to guide the discovery process. Multiclass time series classification problems are transformed into binary classification problems through label subsumption, and classifiers are trained for each of these to yield saliency maps. The input signals, grouped by predicted class, are clustered under three distinct configurations. The centroids of the final set of clusters are provided as input to an LLM for symbolic approximation and fuzzy knowledge graph matching to discover the underlying subclasses of the original multiclass problem. Experimental results on well-established time series classification datasets demonstrate the effectiveness of our saliency map-driven method for knowledge discovery, outperforming signal-only baselines in both clustering and subclass identification.
• Abstract（参考訳）: 本稿では,時系列分類タスクにおける潜在サブクラス同定に着目し,センサ信号に基づく知識発見のためのニューラルシンボリックアプローチを提案する。 このアプローチでは、トレーニングされたニューラルネットワークから導出された勾配に基づくサリエンシマップを活用して、発見プロセスのガイドを行う。 多クラス時系列分類問題はラベルの仮定によって二項分類問題に変換され、それぞれに分類器を訓練してサリエンシマップを生成する。 予測されたクラスによってグループ化された入力信号は、3つの異なる構成の下でクラスタ化される。 最終集合のセントロイドは、記号近似とファジィ知識グラフマッチングのLLMへの入力として提供され、元のマルチクラス問題の下位サブクラスを発見する。 確立された時系列分類データセットによる実験結果から,クラスタリングとサブクラス識別の双方において,信号のみのベースラインに優れる,知識発見のためのサリエンシマップ駆動手法の有効性が示された。

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)
• Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised Semantic Segmentation [79.05949524349005]
  AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。 また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
  論文  参考訳（メタデータ） (2024-03-02T10:03:21Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Generating Hierarchical Structures for Improved Time Series Classification Using Stochastic Splitting Functions [0.0]
  本研究では,階層分類(HC)による多クラスデータセットの分類性能を高めるために,分割関数(SSF)を用いた新しい階層分割クラスタリング手法を提案する。 この方法は、明示的な情報を必要とせずに階層を生成するユニークな能力を持ち、階層の事前の知識を欠いたデータセットに適している。
  論文  参考訳（メタデータ） (2023-09-21T10:34:50Z)
• Hyperspectral Image Analysis with Subspace Learning-based One-Class Classification [18.786429304405097]
  ハイパースペクトル画像(HSI)分類は、環境モニタリング、医療画像、土地利用/土地被覆(LULC)分類など、多くの応用において重要な課題である。 本研究では,最近提案した1クラス分類(OCC)における部分空間学習手法について検討する。 このようにして、提案する分類フレームワークでは、個別の次元削減や特徴選択の手順は不要である。 LULC分類問題とリッチスペクトル情報(高次元)の不均衡ラベルを考えると,提案手法はHSIデータに適している。
  論文  参考訳（メタデータ） (2023-04-19T15:17:05Z)
• MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
  近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。 本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。 特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
  論文  参考訳（メタデータ） (2021-07-23T06:57:08Z)
• Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
  オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。 最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。 本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
  論文  参考訳（メタデータ） (2021-04-19T09:39:30Z)
• An evidential classifier based on Dempster-Shafer theory and deep learning [6.230751621285322]
  Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
  論文  参考訳（メタデータ） (2021-03-25T01:29:05Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Attention Model Enhanced Network for Classification of Breast Cancer Image [54.83246945407568]
  AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。 微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。 3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2020-10-07T08:44:21Z)
• A Classification-Based Approach to Semi-Supervised Clustering with Pairwise Constraints [5.639904484784126]
  対制約付き半教師付きクラスタリングのためのネットワークフレームワークを提案する。 既存のアプローチとは対照的に、SSCを2つの単純な分類タスク/ステージに分解する。 提案手法であるS3C2は、二項分類がマルチクラスクラスタリングよりも容易であるという観察から動機づけられている。
  論文  参考訳（メタデータ） (2020-01-18T20:13:07Z)

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。