論文の概要: Fine-Grained Generalization via Structuralizing Concept and Feature Space into Commonality, Specificity and Confounding

• arxiv url: http://arxiv.org/abs/2601.03056v1
• Date: Tue, 06 Jan 2026 14:39:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.978201
• Title: Fine-Grained Generalization via Structuralizing Concept and Feature Space into Commonality, Specificity and Confounding
• Title（参考訳）: 構造的概念と特徴空間を通した細粒化一般化 : 共通性・特異性・共起性
• Authors: Zhen Wang, Jiaojiao Zhao, Qilong Wang, Yongfeng Dong, Wenlong Yu,
• Abstract要約: ファイングラインド・ドメイン・ジェネリゼーション(FGDG)は、従来のドメイン・ジェネリゼーションよりも大きな課題を示す。 ドメインシフトの下では、モデルはきめ細かなキューに過度に敏感になり、重要な特徴の抑制とパフォーマンスの大幅な低下につながります。 本稿では,概念と特徴空間を3つの構造成分に分解するための概念-特徴構造一般化(CFSG)を提案する。 CFSGはベースラインモデルよりも平均9.87%の性能向上を実現し、既存の最先端手法を平均3.08%上回っている。
• 参考スコア（独自算出の注目度）: 18.00755828701667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fine-Grained Domain Generalization (FGDG) presents greater challenges than conventional domain generalization due to the subtle inter-class differences and relatively pronounced intra-class variations inherent in fine-grained recognition tasks. Under domain shifts, the model becomes overly sensitive to fine-grained cues, leading to the suppression of critical features and a significant drop in performance. Cognitive studies suggest that humans classify objects by leveraging both common and specific attributes, enabling accurate differentiation between fine-grained categories. However, current deep learning models have yet to incorporate this mechanism effectively. Inspired by this mechanism, we propose Concept-Feature Structuralized Generalization (CFSG). This model explicitly disentangles both the concept and feature spaces into three structured components: common, specific, and confounding segments. To mitigate the adverse effects of varying degrees of distribution shift, we introduce an adaptive mechanism that dynamically adjusts the proportions of common, specific, and confounding components. In the final prediction, explicit weights are assigned to each pair of components. Extensive experiments on three single-source benchmark datasets demonstrate that CFSG achieves an average performance improvement of 9.87% over baseline models and outperforms existing state-of-the-art methods by an average of 3.08%. Additionally, explainability analysis validates that CFSG effectively integrates multi-granularity structured knowledge and confirms that feature structuralization facilitates the emergence of concept structuralization.
• Abstract（参考訳）: ファイングラインド・ドメイン・ジェネリゼーション(FGDG)は、微妙なクラス間差と、微粒化認識タスクに固有の比較的顕著なクラス内変異により、従来のドメイン・ジェネリゼーションよりも大きな課題を示す。 ドメインシフトの下では、モデルはきめ細かなキューに過度に敏感になり、重要な特徴の抑制とパフォーマンスの大幅な低下につながります。 認知学的研究は、人間が共通の属性と特定の属性の両方を利用してオブジェクトを分類し、きめ細かいカテゴリーを正確に区別できることを示唆している。 しかし、現在のディープラーニングモデルは、このメカニズムを効果的に取り入れていない。 このメカニズムに着想を得て,概念機能構造一般化(CFSG)を提案する。 このモデルは、概念と特徴空間の両方を、共通部分、特異部分、共起部分という3つの構造化された構成要素に明確に分離する。 分散シフトの度合いの違いによる悪影響を軽減するため, 共通成分, 特異成分, 共起成分の割合を動的に調整する適応機構を導入する。 最終的な予測では、各コンポーネントに明示的な重みが割り当てられる。 3つのシングルソースベンチマークデータセットに対する大規模な実験は、CFSGがベースラインモデルよりも平均9.87%パフォーマンス改善を達成し、既存の最先端メソッドを平均3.08%上回ることを示した。 さらに、説明可能性分析は、CFSGが多粒性構造化知識を効果的に統合し、特徴構造化が概念構造化の出現を促進することを確認する。

関連論文リスト

• Domain Adaptation via Feature Refinement [0.3867363075280543]
  本稿では,分散シフト下での非教師付きドメイン適応のための簡易かつ効果的なフレームワークであるDAFR(Domain Adaptation via Feature Refinement)を提案する。 提案手法は, ラベルなし対象データを用いたバッチ正規化統計の適応, ソース学習モデルからの特徴蒸留, 仮説伝達の3つの重要な要素を組み合わせた。
  論文  参考訳（メタデータ） (2025-08-22T06:32:19Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• Generative Classifier for Domain Generalization [84.92088101715116]
  ドメインの一般化は、分散シフトに対するコンピュータビジョンモデルの一般化性を目的としている。 生成駆動型ドメイン一般化(GCDG)を提案する。 GCDGは3つの重要なモジュールから構成される: 異種性学習(HLC)、純粋相関(SCB)、横成分バランス(DCB)。
  論文  参考訳（メタデータ） (2025-04-03T04:38:33Z)
• SoMA: Singular Value Decomposed Minor Components Adaptation for Domain Generalizable Representation Learning [6.262268096839562]
  ドメインの一般化は、1つまたは複数のソースドメインを使用してモデルを適応し、目に見えないターゲットドメインで堅牢なパフォーマンスを保証することを目的としています。 既存のPEFT手法は、事前訓練されたモデルの一般化可能なコンポーネントと学習タスク固有の特徴のバランスをとるのに苦労する。 Singular Value De Minor Components Adaptation (SoMA) を導入する。
  論文  参考訳（メタデータ） (2024-12-05T11:17:57Z)
• Fine-Grained Domain Generalization with Feature Structuralization [36.48094750433708]
  細粒度領域一般化(FGDG)は、クラス間差が小さく、クラス内差が比較的大きいため、従来のDGタスクよりも難しい課題である。 本稿では,特徴的構造的領域一般化モデルを提案する。
  論文  参考訳（メタデータ） (2024-06-13T14:27:53Z)
• HCVP: Leveraging Hierarchical Contrastive Visual Prompt for Domain Generalization [69.33162366130887]
  ドメイン一般化(DG)は、不変の機能を学ぶことによって、目に見えないシナリオに優れた機械学習モデルを作成するための取り組みである。 モデルにドメインレベルとタスク固有の特性を補足する新しい手法を提案する。 このアプローチは、特定の特徴から不変な特徴をより効果的に分離し、一般化を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-01-18T04:23:21Z)
• Understanding and Constructing Latent Modality Structures in Multi-modal Representation Learning [53.68371566336254]
  優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。 具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
  論文  参考訳（メタデータ） (2023-03-10T14:38:49Z)
• Towards Principled Disentanglement for Domain Generalization [90.9891372499545]
  機械学習モデルの根本的な課題は、アウト・オブ・ディストリビューション(OOD)データへの一般化である。 私たちはまず、DEC(Disentanglement-Constrained Domain Generalization)と呼ばれる制約付き最適化としてOOD一般化問題を定式化する。 この変換に基づいて、結合表現の不絡合と領域一般化のための原始双対アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-27T07:36:32Z)
• Target-Embedding Autoencoders for Supervised Representation Learning [111.07204912245841]
  本稿では,対象空間が高次元な純粋教師付き環境における一般化の枠組みを解析する。 我々は、教師付き予測のための目標埋め込みオートエンコーダ(TEA)の一般的なフレームワークのモチベーションと形式化を行い、特徴とターゲットの予測の両方から予測可能なように最適化された中間潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-01-23T02:37:10Z)

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。