論文の概要: On Linear Separability of the MNIST Handwritten Digits Dataset

• arxiv url: http://arxiv.org/abs/2603.12850v1
• Date: Fri, 13 Mar 2026 09:51:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.038864
• Title: On Linear Separability of the MNIST Handwritten Digits Dataset
• Title（参考訳）: MNIST手書きディジットデータセットの線形分離性について
• Authors: Ákos Hajnal,
• Abstract要約: MNISTデータセットは、様々なパターン認識と画像分類モデルを評価するための基本的なベンチマークである。 MNISTデータセットの長い歴史にもかかわらず、データセットが線形分離可能であるかどうかという問題は、まだ完全に答えられていない。 本研究の目的は,この課題に対処するための総合的な実験的な調査を提供することであり,トレーニング,テスト,組み合わせセットのペアワイズとワンブレストの分離を区別することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The MNIST dataset containing thousands of handwritten digit images is still a fundamental benchmark for evaluating various pattern-recognition and image-classification models. Linear separability is a key concept in many statistical and machine-learning techniques. Despite the long history of the MNIST dataset and its relative simplicity in size and resolution, the question of whether the dataset is linearly separable has never been fully answered -- scientific and informal sources share conflicting claims. This paper aims to provide a comprehensive empirical investigation to address this question, distinguishing pairwise and one-vs-rest separation of the training, the test and the combined sets, respectively. It reviews the theoretical approaches to assessing linear separability, alongside state-of-the-art methods and tools, then systematically examines all relevant assemblies, and reports the findings.
• Abstract（参考訳）: 何千もの手書き桁画像を含むMNISTデータセットは、パターン認識と画像分類モデルを評価するための基本的なベンチマークである。 線形分離性は多くの統計学および機械学習技術において重要な概念である。 MNISTデータセットの長い歴史と、サイズと解像度の相対的な単純さにもかかわらず、データセットが線形に分離可能であるかどうかという問題は、完全には答えられていない。 本稿では,この課題に対処するための総合的な実験的な調査を行い,各学習セットとテストセットと組み合わせセットのペアワイズと1-vs-rest分離を区別することを目的とする。 線形分離性の評価に関する理論的アプローチを、最先端の手法やツールとともにレビューし、すべての関連するアセンブリを体系的に検討し、その結果を報告する。

関連論文リスト

• OpenDataArena: A Fair and Open Arena for Benchmarking Post-Training Dataset Value [74.80873109856563]
  OpenDataArena(ODA)は、トレーニング後のデータの本質的な価値をベンチマークするために設計された、総合的でオープンなプラットフォームである。 ODAは4つの主要な柱からなる包括的なエコシステムを確立している。 (i) 多様なモデル間で公平でオープンな比較を保証する統一的なトレーニング評価パイプライン、 (ii) 異なる軸数に沿ってデータ品質をプロファイリングする多次元スコアリングフレームワーク、 (iii) データセットの系図を視覚化してコンポーネントソースを識別するインタラクティブなデータ系統探索である。
  論文  参考訳（メタデータ） (2025-12-16T03:33:24Z)
• IndiSeek learns information-guided disentangled representations [9.021908698915013]
  IndiSeekは、新しい非絡み合い表現学習手法である。 IndiSeekは独立性と完全性のバランスをとり、モダリティ固有の特徴を原則的に抽出することを可能にする。 IndiSeekが人工シミュレーション,CITE-seqデータセット,および実世界のマルチモーダルベンチマークに与える影響を実証する。
  論文  参考訳（メタデータ） (2025-09-25T20:58:34Z)
• Graph Structure Inference with BAM: Introducing the Bilinear Attention Mechanism [31.99564199048314]
  本稿では,教師付きグラフ構造学習のためのニューラルネットワークモデルを提案する。 モデルは可変形状および結合された入力データで訓練される。 本手法は, 線形および多種多様な非線形依存関係に対して, 堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2024-02-12T15:48:58Z)
• Understanding Probe Behaviors through Variational Bounds of Mutual Information [53.520525292756005]
  情報理論を利用した新しい数学的枠組みを構築することで線形探索のガイドラインを提供する。 まず、プローブ設計を緩和するために、相互情報の変動境界(MI)と探索を結合し、線形探索と微調整を同一視する。 中間表現は、分離性の向上とMIの減少のトレードオフのため、最大のMI推定値を持つことが示される。
  論文  参考訳（メタデータ） (2023-12-15T18:38:18Z)
• Conditional Independence Testing via Latent Representation Learning [2.566492438263125]
  LCIT(Latent representation based Conditional Independence Test)は、表現学習に基づく条件付き独立テストのための新しい非パラメトリック手法である。 我々の主な貢献は、Z が与えられた X と Y の独立性をテストするための生成的枠組みの提案である。
  論文  参考訳（メタデータ） (2022-09-04T07:16:03Z)
• On Modality Bias Recognition and Reduction [70.69194431713825]
  マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。 本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。 本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-02-25T13:47:09Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• CDEvalSumm: An Empirical Study of Cross-Dataset Evaluation for Neural Summarization Systems [121.78477833009671]
  データセット間設定下での様々な要約モデルの性能について検討する。 異なるドメインの5つのデータセットに対する11の代表的な要約システムに関する包括的な研究は、モデルアーキテクチャと生成方法の影響を明らかにしている。
  論文  参考訳（メタデータ） (2020-10-11T02:19:15Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)

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。