論文の概要: Evolving Multi-Channel Confidence-Aware Activation Functions for Missing Data with Channel Propagation

• arxiv url: http://arxiv.org/abs/2602.13864v1
• Date: Sat, 14 Feb 2026 19:52:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.523696
• Title: Evolving Multi-Channel Confidence-Aware Activation Functions for Missing Data with Channel Propagation
• Title（参考訳）: チャネル伝搬による欠測データに対するマルチチャネル信頼度を考慮したアクティベーション関数の進化
• Authors: Naeem Shahabi Sani, Ferial Najiantabriz, Shayan Shafaei, Dean F. Hougen,
• Abstract要約: ニューラルネットワークでは、アクティベーション機能はパフォーマンスに大きく影響するが、不足指標や信頼スコアは考慮していない。 本稿では,3チャネル進化活性化(3C-EA)とChannelPropを提案する。 その結果,アクティベーション検索に欠落点と信頼度を組み込むことで,欠落点下での分類性能が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 1.3999481573773072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning in the presence of missing data can result in biased predictions and poor generalizability, among other difficulties, which data imputation methods only partially address. In neural networks, activation functions significantly affect performance yet typical options (e.g., ReLU, Swish) operate only on feature values and do not account for missingness indicators or confidence scores. We propose Three-Channel Evolved Activations (3C-EA), which we evolve using Genetic Programming to produce multivariate activation functions f(x, m, c) in the form of trees that take (i) the feature value x, (ii) a missingness indicator m, and (iii) an imputation confidence score c. To make these activations useful beyond the input layer, we introduce ChannelProp, an algorithm that deterministically propagates missingness and confidence values via linear layers based on weight magnitudes, retaining reliability signals throughout the network. We evaluate 3C-EA and ChannelProp on datasets with natural and injected (MCAR/MAR/MNAR) missingness at multiple rates under identical preprocessing and splits. Results indicate that integrating missingness and confidence inputs into the activation search improves classification performance under missingness.
• Abstract（参考訳）: 欠落したデータの存在下での学習は、偏りのある予測や、データの計算方法が部分的にのみ対処する難しさなど、一般化性に乏しい結果をもたらす可能性がある。 ニューラルネットワークでは、アクティベーション機能はパフォーマンスに大きく影響するが(例えば、ReLU、Swish)、特徴値のみを演算し、欠落指標や信頼スコアを考慮しない。 多変量活性化関数 f(x, m, c) を生成するために遺伝的プログラミングを用いて進化する三チャネル進化活性化(3C-EA)を提案する。 (i) 特徴値 x, (ii)失明指標m,及び (三)計算信頼度スコアc。 本稿では,これらのアクティベーションを入力層を超えて有効にするために,ネットワーク全体の信頼性信号を保持するために,重み度に基づいて線形層を介して不備と信頼値を決定的に伝搬するアルゴリズムであるChannelPropを紹介する。 我々は,3C-EAとChannelPropを,MCAR/MAR/MNARと同一のプリプロセッシングとスプリットで複数レートで比較した。 その結果,アクティベーション検索に欠落点と信頼度を組み込むことで,欠落点下での分類性能が向上することが示唆された。

関連論文リスト

• Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data [57.85958428020496]
  Flow-Guided Neural Operator (FGNO)は、演算子学習とフローマッチングを組み合わせた新しいフレームワークである。 FGNOは、短時間フーリエ変換を用いて関数空間のマッピングを学習し、異なる時間分解能を統一する。 推論中にノイズのある入力を使用する以前の生成SSL法とは異なり、ノイズのある表現を学習しながら、クリーンな入力を用いて表現抽出を行う。
  論文  参考訳（メタデータ） (2026-02-12T18:54:57Z)
• DDFI: Diverse and Distribution-aware Missing Feature Imputation via Two-step Reconstruction [22.492502807174237]
  DDFI (Diverse and Distribution-aware Missing Feature Imputation) は、分散型・分散型特徴量計算法である。 機能伝搬とグラフベースのMasked AutoEncoderを組み合わせる。 トランスダクティブな設定とインダクティブな設定の両方で、最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-12-06T09:06:08Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• ResAD++: Towards Class Agnostic Anomaly Detection via Residual Feature Learning [52.11294707895649]
  本稿では,クラス非依存型異常検出(AD)の問題点について検討する。 目的は、ターゲットデータの再トレーニングや微調整をせずに、異なるドメインから様々な新しいクラスの異常を一般化して検出できる、クラスに依存しないADモデルをトレーニングすることである。 8つの実世界のADデータセットに関する総合的な実験は、ResAD++が新しいクラスで直接使用されると、素晴らしいAD結果が得られることを示した。
  論文  参考訳（メタデータ） (2025-09-28T08:41:05Z)
• R-Sparse: Rank-Aware Activation Sparsity for Efficient LLM Inference [77.47238561728459]
  R-スパース(R-Sparse)は、高度なLCMにおいて高い疎度を達成できる訓練不要なアクティベーション・スパシティ・アプローチである。 10種類のタスクにわたるLlama-2/3およびMistralモデルの実験は、R-Sparseが50%のモデルレベルの間隔で同等のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-04-28T03:30:32Z)
• PEEL the Layers and Find Yourself: Revisiting Inference-time Data Leakage for Residual Neural Networks [64.90981115460937]
  本稿では、ディープニューラルネットワーク(NN)の推論時データ漏洩リスクについて検討する。 残差NNの中間出力からブロックワイズ入力特徴を効果的に回収できる新しい後方特徴逆変換法である textbfPEEL を提案する。 その結果,平均二乗誤差 (MSE) で評価した場合,PEEL は最先端の回収方法よりも桁違いに優れていることがわかった。
  論文  参考訳（メタデータ） (2025-04-08T20:11:05Z)
• Handling Missing Data in Downstream Tasks With Distribution-Preserving Guarantees [2.54990557236581]
  本稿では,K-アネレスト近傍の計算を反復的に改善したF3Iという計算手法を提案する。 本稿では,F3Iによる計算品質とデータ分布の保存に関する理論的解析を行った。 本稿では,F3Iのいくつかの命令処理および分類処理における優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-23T16:04:18Z)
• M$^3$-Impute: Mask-guided Representation Learning for Missing Value Imputation [12.174699459648842]
  M$3$-Imputeは、不足情報や新しいマスキング手法との相関性を明示的に活用することを目的としている。 実験の結果,M$3$-Imputeは平均20点,第2bのMAEスコアが4点であった。
  論文  参考訳（メタデータ） (2024-10-11T13:25:32Z)
• Multi-scale Quaternion CNN and BiGRU with Cross Self-attention Feature Fusion for Fault Diagnosis of Bearing [5.3598912592106345]
  深層学習は断層診断(FD)に著しい進歩をもたらした マルチスケール畳み込み畳み込みニューラルネットワーク(MQCNN)、双方向ゲートリカレントユニット(BiG)、クロス自己注意機能融合(CSAFF)を統合した新しいFDモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-25T07:55:02Z)
• Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
  特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。 一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。 我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
  論文  参考訳（メタデータ） (2022-02-08T16:09:12Z)

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。