論文の概要: A Boundary-Aware Non-parametric Granular-Ball Classifier Based on Minimum Description Length

• arxiv url: http://arxiv.org/abs/2605.11406v1
• Date: Tue, 12 May 2026 01:51:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.520579
• Title: A Boundary-Aware Non-parametric Granular-Ball Classifier Based on Minimum Description Length
• Title（参考訳）: 最小記述長に基づく境界対応非パラメトリック粒界分類器
• Authors: Zeqiang Xian, Caihui Liu, Yong Zhang, Wenjing Qiu, Duoqian Miao, Witold Pedrycz,
• Abstract要約: 既存のグラニュラーボール分類法は、しばしば手作りの品質基準、近隣ルール、平均分割と停止基準によって駆動される。 本稿では,最小記述長に基づく粒界予測原理(MDL-GBC)を提案する。 18のベンチマークデータセットを用いた実験により,MDL-GBCは古典的手法と競合する分類性能が得られることが示された。
• 参考スコア（独自算出の注目度）: 49.85979294911059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing granular-ball classification methods are often driven by handcrafted quality measures, neighborhood rules, or heuristic splitting and stopping criteria, which may reduce the transparency of local construction decisions and hinder explicit modeling of boundary-sensitive regions. To address this issue, this paper proposes a Minimum Description Length based Granular-Ball Classifier (MDL-GBC), a boundary-aware non-parametric and interpretable granular-ball classifier. MDL-GBC formulates class-conditional granular-ball construction as a local model selection problem under the Minimum Description Length principle. For each class, samples from the target class provide positive class evidence, while samples from the remaining classes provide negative boundary evidence. For each current granular ball, three candidate explanations are compared under a unified description-length criterion: a single-ball model, a two-ball model, and a core-boundary model. The selected model determines whether the ball is retained, geometrically split, or refined into core and boundary-sensitive child balls, thereby making local construction decisions consistent with the MDL-based classification mechanism. During prediction, a class-level mixture coding rule aggregates stable granular balls of the same class and assigns the test sample by comparing class-wise coding costs. Experiments on 18 benchmark datasets show that MDL-GBC achieves competitive classification performance against classical classifiers and representative granular-ball-based methods, obtaining the best average Accuracy, Macro-F1, and average rank. These results indicate that MDL-GBC provides an effective and interpretable alternative to conventional heuristic granular-ball classification strategies.
• Abstract（参考訳）: 既存のグラニュラーボール分類法は、しばしば手作りの品質基準、近隣ルール、またはヒューリスティックな分割と停止基準によって駆動され、これは局所的な建設決定の透明性を低下させ、境界に敏感な領域の明示的なモデリングを妨げる可能性がある。 本稿では,最小記述長に基づく粒界分類器(MDL-GBC)を提案する。 MDL-GBCは最小記述長原理に基づく局所モデル選択問題としてクラス条件のグラニュラーボール構成を定式化している。 各クラスについて、対象クラスのサンプルは正のクラス証拠を提供するが、残りのクラスからのサンプルは負の境界証拠を提供する。 現在のグラニュラーボールについて、3つの候補説明を統一的な記述長基準(シングルボールモデル、ツーボールモデル、コアバウンダリモデル)で比較する。 選択されたモデルは、ボールが保持されているか、幾何学的に分割されているか、またはコアまたは境界に敏感な子ボールに精製されているかを決定し、MDLに基づく分類機構と局所的な構成決定を行う。 予測中、クラスレベルの混合符号化ルールは、同一クラスの安定な粒球を集約し、クラスワイドコーディングコストを比較してテストサンプルを割り当てる。 18のベンチマークデータセットを用いた実験により,MDL-GBCは古典的分類器や代表的粒度ベース手法と競合する分類性能を達成し,最高の平均精度,マクロF1,平均ランクを得た。 以上の結果から,MDL-GBCは従来のヒューリスティックなグラニュラルボール分類法に代わる有効かつ解釈可能な代替手段であることが示された。

関連論文リスト

• MDL-GBG: A Non-parametric and Interpretable Granular-Ball Generation Method for Clustering [49.85979294911059]
  MDL-GBGは最小記述長原理の下で局所モデル選択問題としてグラニュラーボール生成を再構成する。 各グラニュラーボールについて、3つの候補説明(シングルボールモデル、2ボールモデル、コアボール+リサイダーモデル)を比較する。 安定な粒状球形成後の剥離境界試料を世界規模で再評価するための残留再割り当て機構を導入する。
  論文  参考訳（メタデータ） (2026-05-09T07:42:41Z)
• On Large Multimodal Models as Open-World Image Classifiers [77.51330631977955]
  大規模マルチモーダルモデル(LMM)は、自然言語を使って画像を分類することができる。 原型,非原型,きめ細かな粒度,そして非常にきめ細かいクラスを含む10のベンチマークで13のモデルを評価した。
  論文  参考訳（メタデータ） (2025-03-27T17:03:18Z)
• A robust three-way classifier with shadowed granular-balls based on justifiable granularity [53.39844791923145]
  我々は、不確実なデータのために、影付きGBの頑健な3方向分類器を構築した。 本モデルでは,不確実なデータ管理を実証し,分類リスクを効果的に軽減する。
  論文  参考訳（メタデータ） (2024-07-03T08:54:45Z)
• LLM meets Vision-Language Models for Zero-Shot One-Class Classification [4.094697851983375]
  ゼロショットワンクラス視覚分類の問題を考える。 本稿では、視覚的に混乱するオブジェクトに対して、まず大きな言語モデルをクエリする2段階のソリューションを提案する。 我々は,そのラベルのみを用いて,あるカテゴリと他のセマンティック関連カテゴリを識別する能力を初めて示す。
  論文  参考訳（メタデータ） (2024-03-31T12:48:07Z)
• GRSDet: Learning to Generate Local Reverse Samples for Few-shot Object Detection [15.998148904793426]
  Few-shot Object Detection (FSOD) は、いくつかの新しいクラストレーニングデータを用いてのみオブジェクト検出を実現することを目的としている。 既存の手法の多くは、新しいクラス分布を構築するために移行学習戦略を採用するのが一般的である。 本稿では,新しいクラス分布の中心位置と境界範囲を適応的に調整するために,プロトタイプ参照フレームに局所逆サンプル(LRSamples)を生成することを提案する。
  論文  参考訳（メタデータ） (2023-12-27T13:36:29Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)

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。