論文の概要: Conveyance: A Versatile Framework for Learning in Structured Class Spaces

• arxiv url: http://arxiv.org/abs/2605.28420v1
• Date: Wed, 27 May 2026 12:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.055108
• Title: Conveyance: A Versatile Framework for Learning in Structured Class Spaces
• Title（参考訳）: Conveyance: 構造化クラス空間での学習のための多機能フレームワーク
• Authors: Yasser Taha, Grégoire Montavon, Nils Körber,
• Abstract要約: 構造化クラス空間に適した新しい分類手法と関連する損失関数であるtextscConveyanceを提案する。 複雑な結合分布を定義したり、ユーティリティ行列を手動でチューニングすることなく、グラフのようなクラス間の関係をエンコードすることができる。 階層分類,順序回帰,複数インスタンス学習に適用することで,本手法の汎用性と有効性を示す。
• 参考スコア（独自算出の注目度）: 5.204620543649613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While machine learning (ML) architectures have evolved rapidly to account for complex data, loss functions like cross-entropy remain mostly structure-agnostic in many real-world applications. However, the `class-symmetric' nature of these standard losses fundamentally limits the ability of ML models to exploit structural relationships between classes, particularly when facing structured noise. We propose \textsc{Conveyance}, a new classification approach and associated loss function tailored to structured class spaces. It allows users to encode graph-like relations between classes without having to define complex joint distributions or manually tune utility matrices.Technically, our loss function operates by maximizing two separate margins over distinct class partitions, while preserving formal properties such as monotonicity and partial convexity. We demonstrate the versatility and effectiveness of our method by applying it to hierarchical classification, ordinal regression, and multiple instance learning. Across these tasks, \textsc{Conveyance} either matches or exceeds the performance of specialized baselines, thereby offering a unified solution for structured class spaces.
• Abstract（参考訳）: 機械学習(ML)アーキテクチャは複雑なデータを考慮するために急速に進化してきたが、クロスエントロピーのような損失関数は、多くの現実世界のアプリケーションでは構造に依存しないままである。 しかしながら、これらの標準損失の「クラス対称」の性質は、特に構造的ノイズに直面した場合には、クラス間の構造的関係を利用するMLモデルの能力を根本的に制限する。 構造化クラス空間に適した新しい分類手法と関連する損失関数である「textsc{Conveyance}」を提案する。 複雑な結合分布を定義したり、ユーティリティ行列を手動でチューニングしたりすることなく、クラス間のグラフライクな関係をエンコードすることが可能であり、技術的には、損失関数は、単調性や部分凸性といった形式的特性を保ちながら、異なるクラス分割に対して2つの異なるマージンを最大化することによって機能する。 階層分類,順序回帰,複数インスタンス学習に適用することで,本手法の汎用性と有効性を示す。 これらのタスク全体にわたって、 \textsc{Conveyance} は特別なベースラインのパフォーマンスにマッチするか、超えているため、構造化されたクラス空間に対する統一されたソリューションを提供する。

関連論文リスト

• Continual Hyperbolic Learning of Instances and Classes [41.32412210317651]
  インスタンスとクラスを連続的に学習するタスクを同時に導入する。 このタスクは、時間とともに複数のレベルの粒度に適応するようにモデルに挑戦する。 本稿では,クラスとインスタンスが自然に階層構造を形成することを確かめる。
  論文  参考訳（メタデータ） (2025-06-12T13:59:57Z)
• CAARMA: Class Augmentation with Adversarial Mixup Regularization [59.938216853878636]
  話者検証は典型的なゼロショット学習課題である。 クラス拡張フレームワークであるCAARMAを紹介する。 当社のフレームワークは,すべてのベースラインモデルに対して,8%の大幅な改善を実現しています。
  論文  参考訳（メタデータ） (2025-03-20T21:41:16Z)
• Harnessing Superclasses for Learning from Hierarchical Databases [1.835004446596942]
  多くの大規模分類問題において、クラスは既知の階層に整理され、通常木として表される。 この種の教師付き階層分類の損失について紹介する。 提案手法では,クロスエントロピーの損失に比較して,計算コストの大幅な増大は伴わない。
  論文  参考訳（メタデータ） (2024-11-25T14:39:52Z)
• Domain-Agnostic Neural Architecture for Class Incremental Continual Learning in Document Processing Platform [3.630365560970225]
  学習勾配を持つ最近の手法は、そのような設定に苦しむか、メモリバッファのような制限があることが示されている。 本稿では,各クラスからサンプルを別々に提示した場合に,高性能な分類器の訓練を可能にする,Mixture of Expertsモデルに基づく完全微分可能なアーキテクチャを提案する。 各種ドメインに適用可能であること,実運用環境でオンライン学習できることを実証する徹底的な実験を行った。
  論文  参考訳（メタデータ） (2023-07-11T16:01:44Z)
• Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
  本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。 比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
  論文  参考訳（メタデータ） (2022-04-27T21:41:44Z)
• Few-Shot Object Detection via Association and DIscrimination [83.8472428718097]
  AssociationとDIscriminationによるオブジェクト検出は、新しいクラスごとに2つのステップで識別可能な特徴空間を構築している。 Pascal VOCとMS-COCOデータセットの実験では、FADIは新しいSOTAパフォーマンスを実現し、ショット/スプリットのベースラインを+18.7で大幅に改善した。
  論文  参考訳（メタデータ） (2021-11-23T05:04:06Z)
• Anti-aliasing Semantic Reconstruction for Few-Shot Semantic Segmentation [66.85202434812942]
  セグメンテーションを意味的再構成問題として再検討する。 基本クラスの特徴を,新しいクラス再構築のためのクラスレベルのセマンティック空間にまたがる一連の基底ベクトルに変換する。 提案手法はアンチエイリアス・セマンティック・リストラクション (ASR) と呼ばれ, 数発の学習問題に対して, 体系的かつ解釈可能な解法を提供する。
  論文  参考訳（メタデータ） (2021-06-01T02:17:36Z)
• Hierarchical Proxy-based Loss for Deep Metric Learning [32.10423536428467]
  プロキシベースのメトリック学習の損失は、高速収束とトレーニングの複雑さが低いため、ペアベースの損失よりも優れている。 我々は,この暗黙の階層を,プロキシに階層構造を課すことで活用するフレームワークを提案する。 その結果、階層型プロキシベースの損失フレームワークは、既存のプロキシベースの損失のパフォーマンスを改善します。
  論文  参考訳（メタデータ） (2021-03-25T00:38:33Z)
• Leveraging Class Hierarchies with Metric-Guided Prototype Learning [5.070542698701158]
  多くの分類タスクでは、ターゲットクラスのセットは階層に分類できる。 この構造はクラス間の意味的距離を誘導し、コスト行列の形で要約することができる。 本稿では,この指標を原型ネットワークの監視に組み込むことにより,階層型クラス構造をモデル化することを提案する。
  論文  参考訳（メタデータ） (2020-07-06T20:22:08Z)
• MetaPerturb: Transferable Regularizer for Heterogeneous Tasks and Architectures [61.73533544385352]
  本稿ではメタパーターブ(MetaPerturb)というトランスファー可能な摂動モデルを提案する。 MetaPerturbは、レイヤやタスクにまたがる多様な分散を訓練したセット関数であるため、異種タスクやアーキテクチャを一般化することができる。
  論文  参考訳（メタデータ） (2020-06-13T02:54:59Z)

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。