論文の概要: A Trainable Centrality Framework for Modern Data

• arxiv url: http://arxiv.org/abs/2511.22959v1
• Date: Fri, 28 Nov 2025 08:04:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.812101
• Title: A Trainable Centrality Framework for Modern Data
• Title（参考訳）: モダンデータのためのトレーニング可能な中央集権フレームワーク
• Authors: Minh Duc Vu, Mingshuo Liu, Doudou Zhou,
• Abstract要約: データポイントの中央値や典型値の計測は、ロバストな推定、ランク付け、外乱検出を支えている。 本稿では、任意の表現をベースとした神経中心性フレームワークであるFused Unified Centrality Score Estimation (FUSE)を紹介する。
• 参考スコア（独自算出の注目度）: 3.1788482285024107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Measuring how central or typical a data point is underpins robust estimation, ranking, and outlier detection, but classical depth notions become expensive and unstable in high dimensions and are hard to extend beyond Euclidean data. We introduce Fused Unified centrality Score Estimation (FUSE), a neural centrality framework that operates on top of arbitrary representations. FUSE combines a global head, trained from pairwise distance-based comparisons to learn an anchor-free centrality score, with a local head, trained by denoising score matching to approximate a smoothed log-density potential. A single parameter between 0 and 1 interpolates between these calibrated signals, yielding depth-like centrality from different views via one forward pass. Across synthetic distributions, real images, time series, and text data, and standard outlier detection benchmarks, FUSE recovers meaningful classical ordering, reveals multi-scale geometric structures, and attains competitive performance with strong classical baselines while remaining simple and efficient.
• Abstract（参考訳）: データポイントがいかに中心的であるか、あるいは典型的であるかを測定することは、ロバストな推定、ランキング、および外れ値の検出を支えているが、古典的な深さの概念は高次元において高価で不安定になり、ユークリッドのデータを超えて拡張することは困難である。 本稿では、任意の表現に基づいて動作する神経中枢性フレームワークであるFused Unified Centrality Score Estimation (FUSE)を紹介する。 FUSEは、一対の距離に基づく比較から訓練されたグローバルヘッドと、スムーズな対数密度ポテンシャルを近似するためにスコアマッチングによって訓練された局所ヘッドを組み合わせて、アンカーフリーの集中度スコアを学習する。 0 と 1 の間の1つのパラメータは、これらの校正信号の間に補間され、1 つのフォワードパスを介して異なるビューから深度のような中心性をもたらす。 合成分布、実画像、時系列、テキストデータ、標準出力検出ベンチマークなど、FUSEは意味のある古典的順序付けを回復し、マルチスケールの幾何学的構造を明らかにし、単純で効率的な古典的ベースラインと競合する性能を保ちながら達成する。

関連論文リスト

• Scalable Parameter-Light Spectral Method for Clustering Short Text Embeddings with a Cohesion-Based Evaluation Metric [3.7723788828505125]
  短いテキストの埋め込みをクラスタ化することは自然言語処理の基本的なタスクである。 本稿では,ラプラシア固有スペクトルの構造から直接クラスタ数を推定するスケーラブルなスペクトル法を提案する。 また、単純かつ解釈可能な評価指標である凝集比も提案する。
  論文  参考訳（メタデータ） (2025-11-24T17:52:58Z)
• Geometric Median Matching for Robust k-Subset Selection from Noisy Data [75.86423267723728]
  最適分解点1/2のロバストな推定器であるGeometric Medianを利用する新しいk-subset選択法を提案する。 提案手法は, k-subset を反復的に選択し,部分集合の平均が(潜在的に)ノイズデータセットの GM に近似し,任意の汚損の下でもロバスト性を確保する。
  論文  参考訳（メタデータ） (2025-04-01T09:22:05Z)
• Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
  本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。 そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-25T16:48:44Z)
• OCMG-Net: Neural Oriented Normal Refinement for Unstructured Point Clouds [18.234146052486054]
  非構造点雲から指向性正規項を推定するための頑健な精錬法を提案する。 我々のフレームワークは、初期指向の正規性を洗練させるために、特徴空間に符号配向とデータ拡張を組み込んでいる。 従来手法に存在した騒音による方向の不整合の問題に対処するため, チャンファー正規距離と呼ばれる新しい指標を導入する。
  論文  参考訳（メタデータ） (2024-09-02T09:30:02Z)
• Learning Feature Matching via Matchable Keypoint-Assisted Graph Neural Network [52.29330138835208]
  画像のペア間の局所的な特徴の正確なマッチングは、コンピュータビジョンの課題である。 従来の研究では、注意に基づくグラフニューラルネットワーク(GNN)と、画像内のキーポイントに完全に接続されたグラフを使用するのが一般的だった。 本稿では,非繰り返しキーポイントをバイパスし,マッチング可能なキーポイントを利用してメッセージパッシングを誘導する,疎注意に基づくGNNアーキテクチャであるMaKeGNNを提案する。
  論文  参考訳（メタデータ） (2023-07-04T02:50:44Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• Deep Keypoint-Based Camera Pose Estimation with Geometric Constraints [80.60538408386016]
  連続するフレームから相対的なカメラのポーズを推定することは、視覚計測の基本的な問題である。 本稿では,検出,特徴抽出,マッチング,外乱除去のための学習可能なモジュールで構成されるエンドツーエンドのトレーニング可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-29T21:41:31Z)
• SDCOR: Scalable Density-based Clustering for Local Outlier Detection in Massive-Scale Datasets [0.0]
  本稿では,大規模データセットにおける局所外乱検出のためのバッチワイド密度に基づくクラスタリング手法を提案する。 実生活および合成データセットの評価は,提案手法の線形時間複雑性が低いことを示す。
  論文  参考訳（メタデータ） (2020-06-13T11:07:37Z)
• Softmax-based Classification is k-means Clustering: Formal Proof, Consequences for Adversarial Attacks, and Improvement through Centroid Based Tailoring [3.0724051098062097]
  我々は,k平均クラスタリングと,ソフトマックスアクティベーション層に基づくニューラルネットワークの予測の関連性を証明する。 ニューラルネットワークの最後の層におけるソフトマックス関数の代替として,Centroid Based Tailoringを提案する。
  論文  参考訳（メタデータ） (2020-01-07T11:47:45Z)

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。