論文の概要: Multi-Integration of Labels across Categories for Component Identification (MILCCI)

• arxiv url: http://arxiv.org/abs/2602.04270v1
• Date: Wed, 04 Feb 2026 07:00:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.414258
• Title: Multi-Integration of Labels across Categories for Component Identification (MILCCI)
• Title（参考訳）: 成分同定(MILCCI)のためのカテゴリ間でのラベルの多重分離
• Authors: Noga Mudrik, Yuxi Chen, Gal Mishne, Adam S. Charles,
• Abstract要約: 時系列分析における重要な課題は、ラベルが多段階観測でどのように符号化されているかを理解することである。 提案するMILCCIは,データの基盤となる解釈可能なコンポーネントを識別し,異種間変動をキャプチャし,ラベル情報を統合してデータ内の各カテゴリの表現を理解する,新しいデータ駆動方式である。
• 参考スコア（独自算出の注目度）: 15.60049545605314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many fields collect large-scale temporal data through repeated measurements (trials), where each trial is labeled with a set of metadata variables spanning several categories. For example, a trial in a neuroscience study may be linked to a value from category (a): task difficulty, and category (b): animal choice. A critical challenge in time-series analysis is to understand how these labels are encoded within the multi-trial observations, and disentangle the distinct effect of each label entry across categories. Here, we present MILCCI, a novel data-driven method that i) identifies the interpretable components underlying the data, ii) captures cross-trial variability, and iii) integrates label information to understand each category's representation within the data. MILCCI extends a sparse per-trial decomposition that leverages label similarities within each category to enable subtle, label-driven cross-trial adjustments in component compositions and to distinguish the contribution of each category. MILCCI also learns each component's corresponding temporal trace, which evolves over time within each trial and varies flexibly across trials. We demonstrate MILCCI's performance through both synthetic and real-world examples, including voting patterns, online page view trends, and neuronal recordings.
• Abstract（参考訳）: 多くの分野は、複数のカテゴリにまたがるメタデータ変数のセットをラベル付けして、繰り返し測定(トライアル)によって大規模な時間データを収集する。 例えば、神経科学研究における試行は、カテゴリーの値と関係があるかもしれない (a):課題難易度、カテゴリー (b):動物選択。 時系列分析における重要な課題は、これらのラベルが多段階の観測でどのように符号化されているかを理解し、各ラベルエントリのカテゴリ間で異なる効果を解き放つことである。 ここでは,新しいデータ駆動方式MILCCIを提案する。 一 データの根底にある解釈可能な構成要素を識別すること。 二 異種間変動を捉え、 三 ラベル情報を統合して、データ内の各カテゴリの表現を理解すること。 MILCCIは、各カテゴリ内のラベル類似性を利用して、各カテゴリのコントリビューションの微妙な、ラベル駆動型横断的な調整を可能にする。 MILCCIはまた、各コンポーネントの時間的トレースを学習し、各トライアル内で時間とともに進化し、トライアル間で柔軟に変化する。 我々はMILCCIのパフォーマンスを,投票パターン,オンラインページビュートレンド,ニューロン記録など,合成および実世界の事例を通して実証する。

関連論文リスト

• Exploiting Conjugate Label Information for Multi-Instance Partial-Label Learning [61.00359941983515]
  MIPL(Multi-instance partial-label Learning)は、各トレーニングサンプルが1つの真のラベルといくつかの偽陽性を含む候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現されるシナリオに対処する。 ELIMIPLは共役ラベル情報を利用して曖昧性を改善する。
  論文  参考訳（メタデータ） (2024-08-26T15:49:31Z)
• Deep Mutual Learning among Partially Labeled Datasets for Multi-Organ Segmentation [9.240202592825735]
  本稿では,相互学習に基づく2段階多臓器分割手法を提案する。 第1段階では、各部分組織セグメンテーションモデルは、異なるデータセットから重複しない臓器ラベルを利用する。 第2段階では、各全組織セグメンテーションモデルは、擬似ラベル付き完全ラベル付きデータセットによって管理される。
  論文  参考訳（メタデータ） (2024-07-17T14:41:25Z)
• Multi-Label Feature Selection Using Adaptive and Transformed Relevance [0.0]
  本稿では,ATRと呼ばれる情報理論に基づく新しい多ラベル特徴選択手法を提案する。 ATRは、個々のラベルと抽象的なラベル空間の識別能力を考慮している。 提案実験は,広範囲な特徴空間とラベル空間を特徴とするベンチマークにおけるATRのスケーラビリティを実証するものである。
  論文  参考訳（メタデータ） (2023-09-26T09:01:38Z)
• Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
  関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。 我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。 我々の手法は代表的基準よりも一貫して性能が良い。
  論文  参考訳（メタデータ） (2022-10-10T12:37:41Z)
• Label-enhanced Prototypical Network with Contrastive Learning for Multi-label Few-shot Aspect Category Detection [17.228616743739412]
  マルチラベルアスペクトカテゴリ検出は、与えられたレビュー文に複数のアスペクトカテゴリを含むことを可能にする。 複数ラベルの複数ショットのアスペクトカテゴリー検出のための新しいラベル強化ネットワーク(LPN)を提案する。
  論文  参考訳（メタデータ） (2022-06-14T02:37:44Z)
• Multi-label Few/Zero-shot Learning with Knowledge Aggregated from Multiple Label Graphs [8.44680447457879]
  本稿では,異なる意味的ラベル関係をコードする複数のラベルグラフから知識を融合する,シンプルな多グラフ集約モデルを提案する。 本研究は,多グラフ知識集約を用いた手法が,少数・ゼロショットラベルのほとんどすべてにおいて,大幅な性能向上を実現していることを示す。
  論文  参考訳（メタデータ） (2020-10-15T01:15:43Z)
• Few-shot Learning for Multi-label Intent Detection [59.66787898744991]
  State-of-the-art work estimates label-instancelevance scores and using threshold to select multiple associated intent labels。 2つのデータセットの実験により、提案モデルが1ショットと5ショットの両方の設定において強いベースラインを著しく上回ることが示された。
  論文  参考訳（メタデータ） (2020-10-11T14:42:18Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)
• Learning Image Labels On-the-fly for Training Robust Classification Models [13.669654965671604]
  ノイズの多いアノテーション(例えば、異なるアルゴリズムベースのラベル付け子から)を一緒に利用し、相互に分類タスクの学習に役立てることができるかを示す。 メタトレーニングベースのラベルサンプリングモジュールは、追加のバックプロパゲーションプロセスを通じてモデル学習の恩恵を受けるラベルに出席するように設計されている。
  論文  参考訳（メタデータ） (2020-09-22T05:38:44Z)
• Instance-Aware Graph Convolutional Network for Multi-Label Classification [55.131166957803345]
  グラフ畳み込みニューラルネットワーク(GCN)は、マルチラベル画像認識タスクを効果的に強化した。 マルチラベル分類のための事例対応グラフ畳み込みニューラルネットワーク(IA-GCN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-19T12:49:28Z)
• SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
  我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。 我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-08-16T11:07:44Z)

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。