論文の概要: Dual-Attention Convolution Experts for Sparse Tensor Completion

• arxiv url: http://arxiv.org/abs/2606.21427v1
• Date: Fri, 19 Jun 2026 13:45:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 13:33:25.737329
• Title: Dual-Attention Convolution Experts for Sparse Tensor Completion
• Title（参考訳）: スパース・テンソル・コンプリートのためのデュアルアテンション・コンボリューション・エキスパート
• Authors: Yanlei Liu, Zhenyu Liao,
• Abstract要約: グループレベルコントラスト学習(DCGC)を用いたニューラルテンソル分解手法(Dual-Attention Convolution Expert Networks)を提案する。 DCGCは多チャンネル畳み込みネットワークを介して潜在因子の非線形アライメントパターンを生成する。 グループレベルのコントラスト学習戦略は、異なるレベルの負のサンプルを分離しながら、同じフィードバックレベルで正のサンプルを集約する。
• 参考スコア（独自算出の注目度）: 2.064997953172615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tensor factorization (TF) has been widely adopted for high-dimensional sparse data completion tasks. Despite significant progress, neural TF methods often struggle to capture complex cross-mode interactions and remain vulnerable to (extreme) data sparsity. To address these challenges, we propose a novel neural tensor factorization approach, termed Dual-Attention Convolution Expert Networks with Group-Level Contrastive Learning (DCGC). For the first problem, DCGC generates diverse non-linear alignment patterns of latent factors via a multi-channel convolution network, and leverages the gated dual-attention mechanism to drive the model to focus on more important output channels (i.e., convolution experts) and the aligned features. Furthermore, DCGC introduces a group-level contrastive learning strategy that aggregates positive samples with identical feedback levels while separating negative samples across different levels. This strategy injects high-quality self-supervised signals to mitigate data sparsity. Extensive experiments conducted on five datasets demonstrate that our DCGC outperforms the state-of-the-art methods in sparse tensor completion for traffic and recommendation applications. Code to reproduce the experimental results in the paper is available at https://github.com/ku1z/DCGC.
• Abstract（参考訳）: テンソル因子化(TF)は、高次元スパースデータ補完タスクに広く採用されている。 大幅な進歩にもかかわらず、ニューラルネットワークは複雑なモード間の相互作用を捉えるのに苦労し、(極端に)データ空間に弱いままである。 これらの課題に対処するため,Dual-Attention Convolution Expert Networks with Group-Level Contrastive Learning (DCGC) と呼ばれる新しい神経テンソル分解手法を提案する。 最初の問題として、DCGCは多チャンネル畳み込みネットワークを介して、潜在因子の様々な非線形アライメントパターンを生成し、ゲート付き二重アテンション機構を活用して、より重要な出力チャネル(すなわち畳み込みの専門家)とアライメントされた特徴に集中させる。 さらに、DCGCは、異なるレベルのネガティブサンプルを分離しながら、同じフィードバックレベルで正のサンプルを集約するグループレベルのコントラスト学習戦略を導入している。 この戦略は、データの分散を緩和するために高品質な自己監督シグナルを注入する。 5つのデータセットで実施された大規模な実験により、私たちのDCGCは、トラフィックとレコメンデーションアプリケーションのためのスパーステンソル補完において、最先端の手法よりも優れています。 実験結果を再現するコードはhttps://github.com/ku1z/DCGCで公開されている。

関連論文リスト

• Scaling Up AI-Generated Image Detection via Generator-Aware Prototypes [15.99138549265524]
  GAPL(Generator-Aware Prototype Learning)は、構造化学習パラダイムで表現を制約するフレームワークである。 GAPLは最先端の性能を達成し、多様なGANおよび拡散型ジェネレータにおいて優れた検出精度を示す。
  論文  参考訳（メタデータ） (2025-12-15T04:58:08Z)
• Cross-pyramid consistency regularization for semi-supervised medical image segmentation [0.4349640169711269]
  半教師付き学習(SSL)は、限られた注意深くラベル付けされたデータを想定した強力なモデルのトレーニングを可能にする。 半教師付き医用画像セグメンテーションのためのラベルのないデータを活用するためのハイブリッド整合学習手法を提案する。
  論文  参考訳（メタデータ） (2025-11-11T16:38:31Z)
• Hybrid-Collaborative Augmentation and Contrastive Sample Adaptive-Differential Awareness for Robust Attributed Graph Clustering [29.83560851166928]
  HCA(Hybrid-Collaborative Augmentation)とCSADA(Contrative Adaptive-differential Recognition)を組み合わせた新しいロバスト属性グラフクラスタリング(RAGC)を提案する。 6つのベンチマークデータセットに対する総合的なグラフクラスタリング評価は、いくつかの最先端CAGC手法に対して提案されたRAGCの有効性を示す。
  論文  参考訳（メタデータ） (2025-10-03T05:30:55Z)
• Channel Fingerprint Construction for Massive MIMO: A Deep Conditional Generative Approach [65.47969413708344]
  CF双生児の概念を導入し、条件付き生成拡散モデル(CGDM)を設計する。 本研究では, 粗粒CFに条件付き観測された細粒CFの対数分布に対するエビデンスローバウンド(ELBO)を導出するために, 変分推論手法を用いる。 提案手法は, ベースラインと比較して, 復元性能が著しく向上していることを示す。
  論文  参考訳（メタデータ） (2025-05-12T01:36:06Z)
• Self-Contrastive Graph Diffusion Network [1.14219428942199]
  我々は、自己コントラストグラフ拡散ネットワーク(SCGDN)と呼ばれる新しいフレームワークを提案する。 私たちのフレームワークは、注意モジュール(AttM)と拡散モジュール(DiFM)の2つの主要コンポーネントで構成されています。 既存の方法論とは異なり、SCGDNは「サンプリングバイアス」や意味的ドリフトを避ける拡張自由なアプローチである。
  論文  参考訳（メタデータ） (2023-07-27T04:00:23Z)
• Cluster-guided Contrastive Graph Clustering Network [53.16233290797777]
  クラスタ誘導コントラストグラフクラスタリングネットワーク(CCGC)を提案する。 我々は、兄弟のサブネットワーク間で重みが共有されない特別なシームズエンコーダを設計することにより、グラフの2つのビューを構築する。 意味的な負のサンプルペアを構築するために、異なる高信頼度クラスタの中心を負のサンプルとみなす。
  論文  参考訳（メタデータ） (2023-01-03T13:42:38Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Dual Clustering Co-teaching with Consistent Sample Mining for Unsupervised Person Re-Identification [13.65131691012468]
  教師なしのRe-IDでは、擬似ラベルノイズに対処するための効果的な方法として、2つのネットワークを活用したピアティーチング戦略が証明されている。 本稿では,この問題に対処する新しいDCCT手法を提案する。 DCCTは主に2つのネットワークから抽出された特徴を利用して、異なるパラメータのクラスタリングによって2つの擬似ラベルを別々に生成する。
  論文  参考訳（メタデータ） (2022-10-07T06:04:04Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
  デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。 我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。 提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-10T06:53:03Z)

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。