論文の概要: Diffusion-Based Feature Denoising with NNMF for Robust handwritten digit multi-class classification

• arxiv url: http://arxiv.org/abs/2603.29917v1
• Date: Tue, 31 Mar 2026 15:57:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.770219
• Title: Diffusion-Based Feature Denoising with NNMF for Robust handwritten digit multi-class classification
• Title（参考訳）: ロバスト手書き桁多重クラス分類のためのNNMFを用いた拡散型特徴分類
• Authors: Hiba Adil Al-kharsan, Róbert Rajkó,
• Abstract要約: 本研究は,拡散駆動型特徴記述とハイブリッド特徴表現を組み合わせた手書き桁の頑健な多クラス分類フレームワークを提案する。 脳腫瘍の分類に関するこれまでの研究に触発されて、提案手法は、ノイズや敵の攻撃に対する堅牢性を改善するために、特徴空間で機能する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This work presents a robust multi-class classification framework for handwritten digits that combines diffusion-driven feature denoising with a hybrid feature representation. Inspired by our previous work on brain tumor classification, the proposed approach operates in a feature space to improve the robustness to noise and adversarial attacks. First, the input images are converted into tight, interpretable exemplification using Nonnegative Matrix Factorization (NNMF). In parallel, special deep features are extracted using a computational neural network (CNN). These integral features are combined into a united hybrid representation. To improve robustness, a step diffusion operation is used in the feature space by gradually adding Gaussian noise. A feature denoiser network is trained to reverse this operation and rebuild clean representations from tilted inputs. The courteous features are then applied for multi-class classification. The suggested method is evaluated in both baseline and adversarial settings using AutoAttack. The experimental outcome present that the diffusion-based hybrid model is both effective and robust, the CNN baseline models outperforming while maintain powerful classification performance. These results explain the activity of feature-level diffusion defense for reliable multi-class handwritten digit classification.
• Abstract（参考訳）: 本研究は,拡散駆動型特徴記述とハイブリッド特徴表現を組み合わせた手書き桁の頑健な多クラス分類フレームワークを提案する。 脳腫瘍の分類に関するこれまでの研究に触発されて、提案手法は、ノイズや敵の攻撃に対する堅牢性を改善するために、特徴空間で機能する。 まず、Non negative Matrix Factorization (NNMF)を用いて、入力画像をタイトで解釈可能な例に変換する。 並行して、計算ニューラルネットワーク(CNN)を用いて特別な深い特徴を抽出する。 これらの統合的特徴は結合されたハイブリッド表現に結合される。 強靭性を改善するために、ガウス雑音を徐々に加え、特徴空間におけるステップ拡散演算を用いる。 この操作を逆転させ、傾いた入力からクリーンな表現を再構築するために、フィーチャーデノイザネットワークが訓練されている。 次に、その礼儀正しい特徴を多クラス分類に適用する。 提案手法は, AutoAttack を用いて, ベースライン設定と逆方向設定の両方で評価する。 実験結果から,拡散型ハイブリッドモデルは有効かつ堅牢であり,CNNベースラインモデルは強力な分類性能を維持しつつ,性能に優れていたことが示唆された。 これらの結果から, 信頼度の高い多クラス手書き桁分類における特徴レベルの拡散防御の効果が説明できる。

関連論文リスト

• Diffusion-Based Feature Denoising and Using NNMF for Robust Brain Tumor Classification [0.0]
  本研究では,Non-Negative Matrix Factorization (NNMF) と軽量畳み込みニューラルネットワーク (CNN) を組み合わせた脳腫瘍分類フレームワークを提案する。 実験の結果, 提案手法は, 対向摂動に対する頑健さを著しく向上させながら, 競争的分類性能を達成することが示された。
  論文  参考訳（メタデータ） (2026-03-13T17:15:46Z)
• 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)
• Robustifying Diffusion-Denoised Smoothing Against Covariate Shift [3.2010481260411834]
  本稿では,デノナイズ拡散モデルの付加雑音に着目した新しい対向目的関数を提案する。 本手法は,3つの標準分類ベンチマークにおいて,認証精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-09-13T17:27:37Z)
• Generalized Interpolating Discrete Diffusion [65.74168524007484]
  仮面拡散はその単純さと有効性のために一般的な選択である。 ノイズ発生過程の設計において、より柔軟性の高い離散拡散(GIDD)を補間する新しいファミリを一般化する。 GIDDの柔軟性をエクスプロイトし、マスクと均一ノイズを組み合わせたハイブリッドアプローチを探索し、サンプル品質を向上する。
  論文  参考訳（メタデータ） (2025-03-06T14:30:55Z)
• FaFCNN: A General Disease Classification Framework Based on Feature Fusion Neural Networks [4.097623533226476]
  本稿では,機能認識型統合相関ニューラルネットワーク (FaFCNN) を提案する。 実験結果から,事前学習による強化特徴を用いた訓練により,無作為森林法よりも高い性能向上が得られた。
  論文  参考訳（メタデータ） (2023-07-24T04:23:08Z)
• Knowledge Diffusion for Distillation [53.908314960324915]
  知識蒸留(KD)における教師と学生の表現ギャップ これらの手法の本質は、ノイズ情報を捨て、その特徴の貴重な情報を蒸留することである。 DiffKDと呼ばれる新しいKD手法を提案し、拡散モデルを用いて特徴を明示的に識別し一致させる。
  論文  参考訳（メタデータ） (2023-05-25T04:49:34Z)
• Your Diffusion Model is Secretly a Zero-Shot Classifier [90.40799216880342]
  大規模テキスト・画像拡散モデルからの密度推定をゼロショット分類に活用できることを示す。 分類に対する我々の生成的アプローチは、様々なベンチマークで強い結果が得られる。 我々の結果は、下流タスクにおける差別的モデルよりも生成的な利用に向けての一歩である。
  論文  参考訳（メタデータ） (2023-03-28T17:59:56Z)
• Learning Robust Kernel Ensembles with Kernel Average Pooling [3.6540368812166872]
  本稿では,階層活性化テンソルのカーネル次元に沿って平均フィルタを適用するニューラルネットワーク構築ブロックであるKernel Average Pooling(KAP)を紹介する。 類似機能を持つカーネルのアンサンブルは、KAPを装備した畳み込みニューラルネットワークにおいて自然に出現し、バックプロパゲーションで訓練されることを示す。
  論文  参考訳（メタデータ） (2022-09-30T19:49:14Z)
• Fusion of evidential CNN classifiers for image classification [6.230751621285322]
  本稿では,畳み込みニューラルネットワークを結合する信念関数に基づく情報融合手法を提案する。 このアプローチでは、事前訓練されたDSベースのCNNアーキテクチャが入力画像から特徴を抽出し、識別の異なるフレーム上のマス関数に変換する。
  論文  参考訳（メタデータ） (2021-08-23T15:12:26Z)
• Shaping Deep Feature Space towards Gaussian Mixture for Visual Classification [74.48695037007306]
  視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。 分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。 提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
  論文  参考訳（メタデータ） (2020-11-18T03:32:27Z)

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。