論文の概要: Agreement Disagreement Guided Knowledge Transfer for Cross-Scene Hyperspectral Imaging

• arxiv url: http://arxiv.org/abs/2512.08990v1
• Date: Mon, 08 Dec 2025 02:25:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.253086
• Title: Agreement Disagreement Guided Knowledge Transfer for Cross-Scene Hyperspectral Imaging
• Title（参考訳）: クロスシーンハイパースペクトルイメージングのためのコンセンサス分解誘導知識伝達
• Authors: Lu Huo, Haimin Zhang, Min Xu,
• Abstract要約: 本稿では,クロスシーン・トランスファーを強化するためのアグリーメント・ディグリーメント・ガイドド・ナレッジ・トランスファー(ADGKT)フレームワークを提案する。 フレームワークにはGradVacとLogitNormが含まれており、ソースとターゲットドメイン間の衝突を軽減するために勾配方向を調整している。 不一致成分は、異方性制限(DiR)とアンサンブル戦略からなり、様々な予測対象の特徴を捉えている。
• 参考スコア（独自算出の注目度）: 13.858601384061197
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Knowledge transfer plays a crucial role in cross-scene hyperspectral imaging (HSI). However, existing studies often overlook the challenges of gradient conflicts and dominant gradients that arise during the optimization of shared parameters. Moreover, many current approaches fail to simultaneously capture both agreement and disagreement information, relying only on a limited shared subset of target features and consequently missing the rich, diverse patterns present in the target scene. To address these issues, we propose an Agreement Disagreement Guided Knowledge Transfer (ADGKT) framework that integrates both mechanisms to enhance cross-scene transfer. The agreement component includes GradVac, which aligns gradient directions to mitigate conflicts between source and target domains, and LogitNorm, which regulates logit magnitudes to prevent domination by a single gradient source. The disagreement component consists of a Disagreement Restriction (DiR) and an ensemble strategy, which capture diverse predictive target features and mitigate the loss of critical target information. Extensive experiments demonstrate the effectiveness and superiority of the proposed method in achieving robust and balanced knowledge transfer across heterogeneous HSI scenes.
• Abstract（参考訳）: 知識伝達は、クロスシーンハイパースペクトルイメージング(HSI)において重要な役割を担っている。 しかし、既存の研究はしばしば、共有パラメータの最適化中に生じる勾配の矛盾や支配的な勾配の課題を見落としている。 さらに、現在の多くのアプローチでは、コンセンサスと不一致の情報の両方を同時にキャプチャすることができず、ターゲット特徴の共有サブセットにのみ依存しているため、ターゲットシーンに存在するリッチで多様なパターンが欠落している。 これらの課題に対処するため,クロスシーン・トランスファーを強化するための2つのメカニズムを統合したアグリーメント・ディグリーメント・ガイドド・ナレッジ・トランスファー(ADGKT)フレームワークを提案する。 合意コンポーネントには、ソースとターゲットドメイン間の競合を軽減するために勾配方向を整列するGradVacと、単一の勾配ソースによる支配を防止するためにロジットサイズを規制するLogitNormが含まれている。 不一致成分は、識別制限(DiR)とアンサンブル戦略からなり、多様な予測対象の特徴を捉え、重要な目標情報の損失を軽減する。 ヘテロジニアスHSIシーン間の堅牢かつバランスの取れた知識伝達を実現する上で,提案手法の有効性と優位性を示す。

関連論文リスト

• Enhancing Knowledge Transfer in Hyperspectral Image Classification via Cross-scene Knowledge Integration [20.304972437980112]
  CKI(Cross-scene Knowledge Integration)は、移動中にターゲット・プライベートな知識を明示的に組み込むフレームワークである。 CKIは、さまざまなクロスステージなHSIシナリオにまたがる安定性で、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-08T02:18:01Z)
• A Theory-Inspired Framework for Few-Shot Cross-Modal Sketch Person Re-Identification [5.499165736807566]
  スケッチをベースとした人物の再識別は、手描きのスケッチとRGBの監視画像とをマッチングすることを目的としている。 KTCAAは,数発のクロスモーダル一般化のためのフレームワークである。 我々は,KTCAAが特にデータスカース条件下で,最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-11-24T01:26:46Z)
• Enhancing Transferability and Consistency in Cross-Domain Recommendations via Supervised Disentanglement [13.553355329509243]
  クロスドメインレコメンデーションは、ドメイン間で知識を伝達することで、データの疎さを軽減することを目的としている。 分散表現学習は、複雑なユーザの好みをモデル化するための効果的なソリューションを提供する。 本稿では,GNN を拡張したエンコーダデコーダフレームワーク DGCDR を提案する。
  論文  参考訳（メタデータ） (2025-07-23T01:29:45Z)
• CLAMP: Contrastive Learning with Adaptive Multi-loss and Progressive Fusion for Multimodal Aspect-Based Sentiment Analysis [0.6961946145048322]
  本稿では,Adaptive Multi-lossとProgressive Attention Fusionを用いた,エンドツーエンドのコントラスト学習フレームワークを提案する。 このフレームワークは、Progressive Attention Fusion Network、Multi-task Contrastive Learning、Adaptive Multi-loss Aggregationの3つの新しいモジュールで構成されている。 標準の公開ベンチマークによる評価は、CLAMPが既存の最先端技術よりも一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2025-07-21T11:49:57Z)
• Exploring Adversarial Transferability between Kolmogorov-arnold Networks [13.615924349022247]
  Kolmogorov-Arnold Networks (KAN) はトランスフォーメーションモデルパラダイムとして登場した。 彼らの敵対的ロバスト性は、特に異なるKANアーキテクチャにおいて、未発見のままである。 本稿では,Kansの最初の転送攻撃手法であるAdvKANを提案する。
  論文  参考訳（メタデータ） (2025-03-08T16:48:05Z)
• Boosting Adversarial Transferability with Spatial Adversarial Alignment [56.97809949196889]
  ディープニューラルネットワークは、様々なモデルにまたがる転送可能性を示す敵の例に対して脆弱である。 本稿では,アライメント損失を利用してサロゲートモデルを微調整する手法を提案する。 ImageNet上の様々なアーキテクチャの実験では、SAAに基づくアライメントされたサロゲートモデルにより、より高い転送可能な逆の例が得られることが示されている。
  論文  参考訳（メタデータ） (2025-01-02T02:35:47Z)
• Unified Domain Adaptive Semantic Segmentation [105.05235403072021]
  Unsupervised Adaptive Domain Semantic (UDA-SS)は、ラベル付きソースドメインからラベル付きターゲットドメインに監督を移すことを目的としている。 本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。 提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2023-11-22T09:18:49Z)
• Logit Margin Matters: Improving Transferable Targeted Adversarial Attack by Logit Calibration [85.71545080119026]
  クロスエントロピー(CE)損失関数は、伝達可能な標的対向例を学習するには不十分である。 本稿では,ロジットを温度係数と適応マージンでダウンスケールすることで,ロジットのキャリブレーションを簡易かつ効果的に行う2つの手法を提案する。 ImageNetデータセットを用いて実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-03-07T06:42:52Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)

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。