論文の概要: Enhancing Noise Resilience in Face Clustering via Sparse Differential Transformer

• arxiv url: http://arxiv.org/abs/2512.22612v1
• Date: Sat, 27 Dec 2025 14:39:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.136774
• Title: Enhancing Noise Resilience in Face Clustering via Sparse Differential Transformer
• Title（参考訳）: スパース差動変圧器による顔クラスタリングにおける耐雑音性向上
• Authors: Dafeng Zhang, Yongqi Song, Shizhuo Liu,
• Abstract要約: 隣接ノードの純度を高める予測駆動型Top-K Jaccard類似係数を提案する。 隣人の最適な数(Top-K)を正確に予測することは依然として困難であり、最適なクラスタリング結果をもたらす。 我々は,Top-K付近の中央ノードと隣接ノードの関係を検証し,類似度推定の信頼性を高めるトランスフォーマーベースの予測モデルを開発した。
• 参考スコア（独自算出の注目度）: 7.921733808286402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The method used to measure relationships between face embeddings plays a crucial role in determining the performance of face clustering. Existing methods employ the Jaccard similarity coefficient instead of the cosine distance to enhance the measurement accuracy. However, these methods introduce too many irrelevant nodes, producing Jaccard coefficients with limited discriminative power and adversely affecting clustering performance. To address this issue, we propose a prediction-driven Top-K Jaccard similarity coefficient that enhances the purity of neighboring nodes, thereby improving the reliability of similarity measurements. Nevertheless, accurately predicting the optimal number of neighbors (Top-K) remains challenging, leading to suboptimal clustering results. To overcome this limitation, we develop a Transformer-based prediction model that examines the relationships between the central node and its neighboring nodes near the Top-K to further enhance the reliability of similarity estimation. However, vanilla Transformer, when applied to predict relationships between nodes, often introduces noise due to their overemphasis on irrelevant feature relationships. To address these challenges, we propose a Sparse Differential Transformer (SDT), instead of the vanilla Transformer, to eliminate noise and enhance the model's anti-noise capabilities. Extensive experiments on multiple datasets, such as MS-Celeb-1M, demonstrate that our approach achieves state-of-the-art (SOTA) performance, outperforming existing methods and providing a more robust solution for face clustering.
• Abstract（参考訳）: 顔埋め込み間の関係を測定するために用いられる手法は,顔クラスタリングの性能を決定する上で重要な役割を担っている。 既存の手法では、測定精度を高めるために、コサイン距離の代わりにジャカード類似度係数を用いている。 しかし、これらの手法では無関係なノードが多すぎるため、ジャカード係数は識別力に制限があり、クラスタリング性能に悪影響を及ぼす。 そこで本研究では,隣接ノードの純度を高め,類似度測定の信頼性を向上させる予測駆動型Top-K Jaccard類似度係数を提案する。 それでも、隣人の最適な数(Top-K)を正確に予測することは困難であり、準最適クラスタリングの結果をもたらす。 この制限を克服するため、Top-K付近の中央ノードと隣接ノードの関係を検証し、類似度推定の信頼性をさらに高めるトランスフォーマーベースの予測モデルを開発した。 しかしながら、ノード間の関係を予測するためにバニラトランスフォーマーが適用されると、無関係な特徴関係に対する過度の強調によるノイズが発生することが多い。 これらの課題に対処するため,バニラ変圧器の代わりにスパース微分変換器(SDT)を提案する。 MS-Celeb-1Mのような複数のデータセットに対する大規模な実験は、我々のアプローチが最先端(SOTA)のパフォーマンスを実現し、既存の手法より優れ、顔クラスタリングのためのより堅牢なソリューションを提供することを示した。

関連論文リスト

• FIVA: Federated Inverse Variance Averaging for Universal CT Segmentation with Uncertainty Estimation [4.544160712377809]
  本研究は,多様な腹部CTデータセットにまたがる普遍的なセグメンテーションを実現するための,新しいフェデレーション学習手法を提案する。 提案手法はモデル重みから不確かさを伝搬することにより予測の不確かさを定量化する。 実験により, フェデレーションアグリゲーションと不確実性重み付け推論の品質向上に本手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-08-08T11:34:01Z)
• Uncertainty-driven Embedding Convolution [16.523816971857787]
  不確実性駆動型埋め込み畳み込み(UEC)を提案する。 UECは決定論的埋め込みをポストホックな方法で確率論的に変換する。 その後、埋め込みの不確実性に基づいて適応アンサンブル重みを計算する。
  論文  参考訳（メタデータ） (2025-07-28T11:15:25Z)
• Theoretical Insights in Model Inversion Robustness and Conditional Entropy Maximization for Collaborative Inference Systems [89.35169042718739]
  協調推論により、クラウドサーバに機密データを公開することなく、エンドユーザは強力なディープラーニングモデルを活用することができる。 近年の研究では、これらの中間機能は、情報が漏洩し、生データをモデル反転攻撃(MIA)によって再構築できるため、プライバシーを十分に保持できないことが判明している。 この研究はまず、与えられた中間特徴の入力の条件エントロピーが、任意のMIAの下での再構成平均二乗誤差(MSE)の保証された下界を与えることを理論的に証明する。 そして、ガウス混合推定に基づいて、この条件付きエントロピーを有界化するための微分可能かつ可解な尺度を導出し、逆ロバスト性を高める条件付きエントロピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-01T07:15:21Z)
• Variance-Reducing Couplings for Random Features [57.73648780299374]
  ランダム機能(RF)は、機械学習においてカーネルメソッドをスケールアップする一般的なテクニックである。 ユークリッド空間と離散入力空間の両方で定義されるRFを改善するための結合を求める。 パラダイムとしての分散還元の利点と限界について、驚くほどの結論に達した。
  論文  参考訳（メタデータ） (2024-05-26T12:25:09Z)
• Fast Semisupervised Unmixing Using Nonconvex Optimization [80.11512905623417]
  半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。 スパース・アンミキシングの代替手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-23T10:07:41Z)
• Learn to Cluster Faces with Better Subgraphs [13.511058277653122]
  顔クラスタリングは、巨大な未ラベルの顔データに擬似ラベルを提供することができる。 既存のクラスタリング手法は、均一な閾値や学習されたカットオフ位置に基づいて、サブグラフ内の特徴を集約する。 本研究は、ノイズを著しく低減できる効率的な近傍対応サブグラフ調整法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T09:18:55Z)
• The effectiveness of factorization and similarity blending [0.0]
  CF(Collaborative Filtering)は、過去のユーザの好みデータを活用して行動パターンを特定し、カスタムレコメンデーションを予測するテクニックである。 因子分解と類似性に基づくアプローチを組み合わせることで,スタンドアローンモデルにおける誤差の顕著な減少(-9.4%)が期待できることを示す。 本稿では,従来のアルゴリズムの複雑さを一貫して低減する類似性モデルSCSRの新たな拡張を提案する。
  論文  参考訳（メタデータ） (2022-09-16T13:11:27Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)

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。