論文の概要: Quality Adaptive Angular Margin Learning for Respiratory Sound Classification

• arxiv url: http://arxiv.org/abs/2606.11915v1
• Date: Wed, 10 Jun 2026 10:48:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.419047
• Title: Quality Adaptive Angular Margin Learning for Respiratory Sound Classification
• Title（参考訳）: 呼吸音分類のための品質適応型角マージン学習
• Authors: Yoon Tae Kim, Heejoon Koo, Miika Toikkanen, June-Woo Kim,
• Abstract要約: 本稿では,クラス内コンパクト性とクラス間分離性を強制することにより,特徴一般化を改善する品質適応型アングラマージン学習フレームワークを提案する。 我々のフレームワークであるQLungは、スペクトルエントロピーとルート平均二乗エネルギーから導かれる非参照オーディオ品質マージンを導入し、記録品質に基づいて角マージンを適応的にスケールする。
• 参考スコア（独自算出の注目度）: 5.445798332197724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a quality-adaptive angular-margin learning framework that improves feature generalization by enforcing intra-class compactness and inter-class separability. Our framework, titled QLung, introduces a no-reference audio quality margin derived from spectral entropy and root-mean-square energy, which adaptively scales angular margins based on recording quality. To this end, we propose a log-scaled angular margin that stabilizes training under severe class imbalance. We also use an angular classifier that normalizes features and class weights, ensuring margin penalties are applied consistently on the unit hypersphere. Our approach improves in-distribution performance on the ICBHI dataset by 2.46\% over the cross-entropy baseline, and most significantly, achieves the strongest out-of-distribution performance on the SPRSound dataset compared to prior state-of-the-art methods. Code is available at https://github.com/RSC-Toolkit/QLung.
• Abstract（参考訳）: 本稿では,クラス内コンパクト性とクラス間分離性を強制することにより,特徴一般化を改善する品質適応型アングラマージン学習フレームワークを提案する。 我々のフレームワークであるQLungは、スペクトルエントロピーとルート平均二乗エネルギーから導かれる非参照オーディオ品質マージンを導入し、記録品質に基づいて角マージンを適応的にスケールする。 そこで本研究では,厳密なクラス不均衡下でのトレーニングを安定化するログスケールの角マージンを提案する。 また、特徴量とクラス重みを正規化する角形分類器を用い、単位超球面上でマージンのペナルティを一貫して適用することを保証する。 提案手法は, クロスエントロピーベースライン上でのIABHIデータセットの分散性能を2.46 %向上させるとともに, SPRSoundデータセットの分散性能を従来の最先端手法と比較して最大に向上させる。 コードはhttps://github.com/RSC-Toolkit/QLungで公開されている。

関連論文リスト

• nCMD: Benign-Anchored Feature Selection for Imbalanced Network Intrusion Detection [0.0]
  侵入検知システムの特徴をランク付けするために,良性アンコール型クラスワイド平均偏差(nCMD)を提案する。 nCMDは、グローバルバイアス参照ではなく、良性クラス平均からの攻撃クラス分布の偏差に基づく特徴的関連性を評価する。 このアプローチは、追加の計算コストなしで、機能選択とNIDSの操作意味を一致させる。
  論文  参考訳（メタデータ） (2026-06-07T19:01:05Z)
• Reducing Class-Wise Performance Disparity via Margin Regularization [82.81746960548382]
  ディープニューラルネットワークは、クラスバランスのデータでトレーニングされた場合でも、クラスレベルでの精度において大きな違いを示すことが多い。 本稿では,性能格差低減のためのMargin Regularization for Performance Disparity Reduction (MR$2$)を提案する。 分析の結果,クラスごとの機能変動がエラーにどのように寄与するかが明らかとなり,ハードクラスに対するより大きなマージンの利用が動機となった。
  論文  参考訳（メタデータ） (2026-01-30T12:56:08Z)
• Dual-granularity Sinkhorn Distillation for Enhanced Learning from Long-tailed Noisy Data [67.25796812343454]
  ディープラーニングのための実世界のデータセットは、クラス不均衡とラベルノイズの共起的な課題にしばしば悩まされる。 蒸留と相補的な知見の統合により二重強靭性を高める新しいフレームワークであるD-SINKを提案する。 ベンチマークデータセットの実験では、D-SINKはロバスト性を大幅に向上し、長い尾のノイズデータから学習する際の強い経験的性能を達成することが示された。
  論文  参考訳（メタデータ） (2025-10-09T13:05:27Z)
• Class-attribute Priors: Adapting Optimization to Heterogeneity and Fairness Objective [54.33066660817495]
  現代の分類問題は、個々のクラスにまたがって不均一性を示す。 本稿では,クラス固有の学習戦略を効果的かつ汎用的に生成するCAPを提案する。 CAPは先行技術と競合しており、その柔軟性により、バランスの取れた精度以上の公平性目標に対する明確なメリットが期待できる。
  論文  参考訳（メタデータ） (2024-01-25T17:43:39Z)
• Noisy-ArcMix: Additive Noisy Angular Margin Loss Combined With Mixup Anomalous Sound Detection [5.1308092683559225]
  非教師付き異常音検出(ASD)は、正常な操作音の特徴を学習し、その偏差を感知することで、異常音を識別することを目的としている。 近年, 正規データの分類を利用した自己教師型タスクに焦点が当てられ, 高度なモデルでは, 異常データの表現空間の確保が重要であることが示されている。 本研究では,クラス内コンパクト性を確保し,正常試料と異常試料との角度ギャップを増大させる訓練手法を提案する。
  論文  参考訳（メタデータ） (2023-10-10T07:04:36Z)
• Leveraging Angular Information Between Feature and Classifier for Long-tailed Learning: A Prediction Reformulation Approach [90.77858044524544]
  分類器の重みを再バランスすることなく、包含角度で認識確率を再構成する。 予測形式再構成の性能向上に着想を得て, この角度予測の異なる特性について検討する。 CIFAR10/100-LT と ImageNet-LT を事前学習することなく、ピアメソッド間で最高の性能を得ることができる。
  論文  参考訳（メタデータ） (2022-12-03T07:52:48Z)
• Adaptive Margin Circle Loss for Speaker Verification [0.0]
  本稿では,話者検証のための適応的辺縁サークル損失という新しい角損失関数を提案する。 ステージベースマージンとチャンクベースマージンを適用して、トレーニングセット上での円損失の角偏差を改善させる。
  論文  参考訳（メタデータ） (2021-06-15T09:35:59Z)
• Stochastic Optimization of Areas Under Precision-Recall Curves with Provable Convergence [66.83161885378192]
  ROC(AUROC)と精度リコール曲線(AUPRC)の下の領域は、不均衡問題に対する分類性能を評価するための一般的な指標である。 本稿では,深層学習のためのAUPRCの最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-04-18T06:22:21Z)

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。