論文の概要: Subspace Kernel Learning on Tensor Sequences

• arxiv url: http://arxiv.org/abs/2603.19546v1
• Date: Fri, 20 Mar 2026 01:04:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.930561
• Title: Subspace Kernel Learning on Tensor Sequences
• Title（参考訳）: テンソル列を用いたサブスペースカーネル学習
• Authors: Lei Wang, Xi Ding, Yongsheng Gao, Piotr Koniusz,
• Abstract要約: M$-modeテンソルのための新しいカーネルフレームワークであるUncertainty-driven Kernel Learning (UKTL)を紹介する。 UKTLは最先端のパフォーマンス、優れた一般化、意味のあるモードワイドインサイトを実現する。 この研究は、構造化マルチウェイおよびマルチモーダルテンソルシーケンスのための、原則付き、スケーラブルで、解釈可能なカーネル学習パラダイムを確立する。
• 参考スコア（独自算出の注目度）: 44.358377952850994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning from structured multi-way data, represented as higher-order tensors, requires capturing complex interactions across tensor modes while remaining computationally efficient. We introduce Uncertainty-driven Kernel Tensor Learning (UKTL), a novel kernel framework for $M$-mode tensors that compares mode-wise subspaces derived from tensor unfoldings, enabling expressive and robust similarity measure. To handle large-scale tensor data, we propose a scalable Nyström kernel linearization with dynamically learned pivot tensors obtained via soft $k$-means clustering. A key innovation of UKTL is its uncertainty-aware subspace weighting, which adaptively down-weights unreliable mode components based on estimated confidence, improving robustness and interpretability in comparisons between input and pivot tensors. Our framework is fully end-to-end trainable and naturally incorporates both multi-way and multi-mode interactions through structured kernel compositions. Extensive evaluations on action recognition benchmarks (NTU-60, NTU-120, Kinetics-Skeleton) show that UKTL achieves state-of-the-art performance, superior generalization, and meaningful mode-wise insights. This work establishes a principled, scalable, and interpretable kernel learning paradigm for structured multi-way and multi-modal tensor sequences.
• Abstract（参考訳）: 高階テンソルとして表される構造化マルチウェイデータから学習するには、計算効率を保ちながらテンソルモード間の複雑な相互作用を捉える必要がある。 テンソル展開から得られるモードワイド部分空間を比較し,表現的かつ堅牢な類似度測定を可能にする,M$モードテンソルのための新しいカーネルフレームワークであるUncertainty-driven Kernel Tensor Learning (UKTL)を紹介する。 大規模テンソルデータを扱うために,ソフトな$k$-meansクラスタリングによって得られる動的に学習されたピボットテンソルを用いたスケーラブルなNyströmカーネル線形化を提案する。 UKTLの重要な革新は不確実性を認識した部分空間重み付けであり、信頼度に基づいて信頼できないモードコンポーネントを適応的に下降させ、入力テンソルとピボットテンソルの比較において堅牢性と解釈性を向上させる。 我々のフレームワークは、完全にエンドツーエンドのトレーニングが可能であり、構造化されたカーネル構成を通して、マルチウェイとマルチモードの両方のインタラクションを自然に組み込む。 行動認識ベンチマーク(NTU-60, NTU-120, Kinetics-Skeleton)の大規模な評価は、UKTLが最先端の性能、優れた一般化、意味のあるモードレベルの洞察を達成していることを示している。 この研究は、構造化マルチウェイおよびマルチモーダルテンソルシーケンスのための、原則付き、スケーラブルで、解釈可能なカーネル学習パラダイムを確立する。

関連論文リスト

• Personalized Federated Learning with Heat-Kernel Enhanced Tensorized Multi-View Clustering [2.538209532048867]
  マルチビューファジィc平均クラスタリングのための頑健なパーソナライズされた学習フレームワークを提案する。 量子場理論から適応した熱核係数とタッカー分解と正準多進分解を統合する。
  論文  参考訳（メタデータ） (2025-09-19T15:45:02Z)
• Score-Based Model for Low-Rank Tensor Recovery [49.158601255093416]
  低ランクテンソル分解(TD)は、マルチウェイデータ解析に有効なフレームワークを提供する。 従来のTD法は、CPやタッカー分解のような事前定義された構造的仮定に依存している。 本稿では,事前定義された構造的仮定や分布的仮定の必要性を排除したスコアベースモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T15:05:37Z)
• Tensor Convolutional Network for Higher-Order Interaction Prediction in Sparse Tensors [74.31355755781343]
  我々は,トップk相互作用を予測するTF法とシームレスに統合する,正確で互換性のあるテンソル畳み込みネットワークTCNを提案する。 TF法と統合されたTNは,TF法やハイパーエッジ予測法などの競合よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-14T18:22:20Z)
• Adaptively Topological Tensor Network for Multi-view Subspace Clustering [36.790637575875635]
  マルチビューサブスペースクラスタリングでは、学習した自己表現テンソルを使用して低ランク情報を利用する。 予め定義されたテンソル分解は、あるデータセットの低ランク情報を完全に活用できない。 自己表現テンソルの構造情報からエッジランクを決定することで適応的トポロジカルテンソルネットワーク(ATTN)を提案する。
  論文  参考訳（メタデータ） (2023-05-01T08:28:33Z)
• Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
  半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。 本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。 さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
  論文  参考訳（メタデータ） (2023-03-29T14:54:19Z)
• Estimating Higher-Order Mixed Memberships via the $\ell_{2,\infty}$ Tensor Perturbation Bound [8.521132000449766]
  テンソルブロックモデルの一般化であるテンソル混合メンバーシップブロックモデルを提案する。 我々は,モデルの同定可能性を確立し,計算効率の良い推定手法を提案する。 本手法を実データおよびシミュレーションデータに適用し,個別のコミュニティメンバーシップを持つモデルから特定できない効果を示す。
  論文  参考訳（メタデータ） (2022-12-16T18:32:20Z)
• Tensor Full Feature Measure and Its Nonconvex Relaxation Applications to Tensor Recovery [1.8899300124593645]
  完全特徴量(FFM)と呼ばれる新しいテンソル間隔尺度を提案する。 これは各次元の特徴次元を同時に記述することができ、タッカーランクとテンソルチューブランクを結びつけることができる。 FFMに基づく2つの効率的なモデルを提案し、提案モデルを解決するために2つの代替乗算器法(ADMM)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-09-25T01:44:34Z)
• Tensor Representations for Action Recognition [54.710267354274194]
  シーケンスにおける人間の行動は、空間的特徴とその時間的ダイナミクスの複雑な相互作用によって特徴づけられる。 アクション認識タスクの視覚的特徴間の高次関係を捉えるための新しいテンソル表現を提案する。 我々は,高次テンソルといわゆる固有値パワー正規化(NEP)を用いて,高次事象のスペクトル検出を行う。
  論文  参考訳（メタデータ） (2020-12-28T17:27:18Z)
• Efficient Structure-preserving Support Tensor Train Machine [0.0]
  列車マルチウェイマルチレベルカーネル(TT-MMK) 我々は,ポリアディック分解の単純さ,デュアル構造保存支援機の分類能力,およびTrain Vector近似の信頼性を組み合わせたTrain Multi-way Multi-level Kernel(TT-MMK)を開発した。 実験により,TT-MMK法は通常より信頼性が高く,チューニングパラメータに敏感で,他の最先端技術と比較した場合のSVM分類において高い予測精度が得られた。
  論文  参考訳（メタデータ） (2020-02-12T16:35:10Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)

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。