論文の概要: Trusted Multi-view Learning for Long-tailed Classification

• arxiv url: http://arxiv.org/abs/2511.09138v1
• Date: Thu, 13 Nov 2025 01:35:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.429625
• Title: Trusted Multi-view Learning for Long-tailed Classification
• Title（参考訳）: ロングテール分類のための信頼度多視点学習
• Authors: Chuanqing Tang, Yifei Shi, Guanghao Lin, Lei Xing, Long Shi,
• Abstract要約: TMLCはTrusted Multi-view Long-tailed Classificationフレームワークである。 社会アイデンティティ理論に触発されて、グループコンセンサス・アグリゲーション・アグリゲーション・メカニズムを設計する。 高品質な擬似データを生成する不確実性誘導型データ生成モジュールを開発した。
• 参考スコア（独自算出の注目度）: 9.27326757577602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Class imbalance has been extensively studied in single-view scenarios; however, addressing this challenge in multi-view contexts remains an open problem, with even scarcer research focusing on trustworthy solutions. In this paper, we tackle a particularly challenging class imbalance problem in multi-view scenarios: long-tailed classification. We propose TMLC, a Trusted Multi-view Long-tailed Classification framework, which makes contributions on two critical aspects: opinion aggregation and pseudo-data generation. Specifically, inspired by Social Identity Theory, we design a group consensus opinion aggregation mechanism that guides decision making toward the direction favored by the majority of the group. In terms of pseudo-data generation, we introduce a novel distance metric to adapt SMOTE for multi-view scenarios and develop an uncertainty-guided data generation module that produces high-quality pseudo-data, effectively mitigating the adverse effects of class imbalance. Extensive experiments on long-tailed multi-view datasets demonstrate that our model is capable of achieving superior performance. The code is released at https://github.com/cncq-tang/TMLC.
• Abstract（参考訳）: クラス不均衡は、シングルビューのシナリオで広く研究されてきたが、マルチビューのコンテキストにおけるこの課題に対処することは、信頼性の高いソリューションに焦点をあてる研究でさえも、未解決の問題である。 本稿では,多視点シナリオにおける特に難易度の高いクラス不均衡問題であるロングテール分類に対処する。 我々は、意見集約と擬似データ生成という2つの重要な側面に貢献する、信頼された多視点ロングテール分類フレームワークTMLCを提案する。 具体的には、社会アイデンティティ理論にインスパイアされたグループコンセンサスアグリゲーション機構を設計し、グループの大部分から好まれる方向に向けて意思決定を導く。 擬似データ生成に関しては,多視点シナリオにSMOTEを適用するための新しい距離メトリックを導入し,高品質な擬似データを生成する不確実性誘導データ生成モジュールを開発し,クラス不均衡の悪影響を効果的に軽減する。 長い尾を持つマルチビューデータセットに対する大規模な実験は、我々のモデルが優れた性能を達成することができることを示す。 コードはhttps://github.com/cncq-tang/TMLCで公開されている。

関連論文リスト

• Generalized Deep Multi-view Clustering via Causal Learning with Partially Aligned Cross-view Correspondence [72.41989962665285]
  マルチビュークラスタリング(MVC)は、複数のビューにまたがる共通のクラスタリング構造を検討することを目的としている。 しかし、現実のシナリオは、部分的なデータだけが異なるビューに一貫して整合しているため、しばしば課題となる。 我々は,CauMVCと呼ばれる因果的マルチビュークラスタリングネットワークを設計し,この問題に対処する。
  論文  参考訳（メタデータ） (2025-09-19T14:31:40Z)
• Intra-view and Inter-view Correlation Guided Multi-view Novel Class Discovery [52.616615506638205]
  新たなクラス発見 (NCD) は、解離した既知のクラスからの知識を活用することで、新しいクラスをクラスタリングすることを目的としている。 Intra-view and Inter-view correlation Guided Multi-view Novel Class Discovery (IICMVNCD) という新しいフレームワークを提案する。 IICMVNCDはマルチビュー環境でNCDを探索する最初の試みである。
  論文  参考訳（メタデータ） (2025-07-16T08:42:52Z)
• Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
  実世界のマルチビューデータセットは、しばしば不均一で不完全である。 本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。 我々のRMLは自己教師型であり、正規化として下流のタスクにも適用できます。
  論文  参考訳（メタデータ） (2025-03-06T07:01:08Z)
• Multi-View Factorizing and Disentangling: A Novel Framework for Incomplete Multi-View Multi-Label Classification [9.905528765058541]
  非完全多視点マルチラベル分類(iMvMLC)のための新しいフレームワークを提案する。 本手法は,多視点表現をビュー一貫性とビュー固有の2つの独立した要素に分解する。 我々のフレームワークは、一貫した表現学習を3つの重要なサブオブジェクトに革新的に分解する。
  論文  参考訳（メタデータ） (2025-01-11T12:19:20Z)
• Evidential Deep Partial Multi-View Classification With Discount Fusion [24.139495744683128]
  Evidential Deep partial Multi-View Classification (EDP-MVC) と呼ばれる新しいフレームワークを提案する。 欠落したビューに対処するためにK-means命令を使用し、マルチビューデータの完全なセットを作成します。 この暗示されたデータ内の潜在的な衝突や不確実性は、下流の推論の信頼性に影響を与える可能性がある。
  論文  参考訳（メタデータ） (2024-08-23T14:50:49Z)
• CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
  我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。 ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。 人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
  論文  参考訳（メタデータ） (2024-03-28T15:45:03Z)
• Towards Generalized Multi-stage Clustering: Multi-view Self-distillation [10.368796552760571]
  既存のマルチステージクラスタリング手法は、独立して複数のビューから健全な特徴を学習し、クラスタリングタスクを実行する。 本稿では,多視点自己蒸留(DistilMVC)を導入し,ラベル分布の暗黒知識を抽出する多段階深層MVCフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-29T03:35:34Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• MORI-RAN: Multi-view Robust Representation Learning via Hybrid Contrastive Fusion [4.36488705757229]
  多視点表現学習は、クラスタリングや分類といった多くの多視点タスクに不可欠である。 ラベルのないデータから堅牢なビュー-共通表現を抽出するハイブリッドコントラスト融合アルゴリズムを提案する。 実験の結果,提案手法は実世界の4つのデータセットにおいて,12の競合的マルチビュー手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-08-26T09:58:37Z)

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。