論文の概要: Intuitionistic Fuzzy Graph Embedded Random Vector Functional Link with Multiview Learning

• arxiv url: http://arxiv.org/abs/2607.05635v1
• Date: Mon, 06 Jul 2026 20:54:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.32625
• Title: Intuitionistic Fuzzy Graph Embedded Random Vector Functional Link with Multiview Learning
• Title（参考訳）: 多視点学習による直観的ファジィグラフ埋め込みランダムベクトル関数リンク
• Abstract要約: Intuitionistic Fuzzy Graph Embedded Random Vector Functional Link with Multiview Learning (IFGRVFL-MV) モデルを提案する。 提案手法は,不確実性処理のための直観的ファジィ集合,固有幾何学的構造を捉えるグラフ埋め込み,複数特徴空間からの補的情報を利用する多視点学習の3つの要素からなる。 IFGRVFL-MVは,不確実性とマルチビュー環境の領域において,有望な進歩であることを示す。
• 参考スコア（独自算出の注目度）: 5.725795684434675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Random Vector Functional Link (RVFL) networks are popular due to their fast training and universal approximation capabilities. However, RVFL models face challenges in preserving geometric relationships and utilizing multiple feature views effectively. To address these limitations we propose the Intuitionistic Fuzzy Graph Embedded Random Vector Functional Link with Multiview Learning (IFGRVFL-MV) model. The proposed approach comprises three key components: intuitionistic fuzzy sets for uncertainty handling, graph embedding to capture intrinsic geometric structures, and multiview learning to use complementary information from multiple feature spaces. The model assigns intuitionistic fuzzy membership and non-membership values to data points making it robust to outliers. Also, the graph embedding framework preserves topological structures, increasing the generalization performance. We performed experiments on benchmark datasets from UCI and KEEL repositories which concludes that IFGRVFL-MV outperforms existing models in classification accuracy. Our results establish that IFGRVFL-MV is a promising advancement in the domain of uncertainty and multiview environments.
• Abstract（参考訳）: ランダムベクトル関数リンク(RVFL)ネットワークは、高速なトレーニングと普遍的な近似能力によって人気がある。 しかし、RVFLモデルは、幾何学的関係を保ち、複数の特徴ビューを効果的に活用する上で、課題に直面している。 これらの制約に対処するために、直観的ファジィグラフ埋め込みランダムベクトル関数リンクと多視点学習(IFGRVFL-MV)モデルを提案する。 提案手法は,不確実性処理のための直観的ファジィ集合,固有幾何学的構造を捉えるグラフ埋め込み,複数特徴空間からの補的情報を利用する多視点学習の3つの要素からなる。 このモデルは、直観主義的なファジィなメンバーシップと非メンバーシップの値をデータポイントに割り当て、オフレイアに対して堅牢である。 また、グラフ埋め込みフレームワークは、トポロジ構造を保存し、一般化性能を向上する。 IFGRVFL-MVが既存のモデルよりも精度が高いことを結論として,UCIおよびKEELレポジトリのベンチマークデータセットの実験を行った。 IFGRVFL-MVは,不確実性とマルチビュー環境の領域において,有望な進歩であることを示す。

関連論文リスト

• XGRVFL-MV: Residual-Coupled Graph-Embedded Multi-View Random Vector Functional Link Network with FleXi Guardian Loss [2.2418940049493368]
  本稿では,FleXi保護損失(XGRVFL-MV)を多視点分類に用いるResidual-Coupled Graph-Embeded Multi-View RVFLモデルを提案する。 提案モデルは各ビューに対してRVFL表現を構築し,ローカルフィッシャー判別分析重み付け方式を用いて構築した固有グラフとペナルティグラフのグラフ埋め込みを組み込んだ。 ビュー固有の表現を保存しながら、ビュー固有の予測残差間の一貫性を促進するために、残差結合項が導入された。
  論文  参考訳（メタデータ） (2026-07-25T11:00:23Z)
• Graph-Embedded Intuitionistic Fuzzy Broad Learning System: A Multi-view Framework [2.7594168650194533]
  MVGIFBLS (Multi-View Graph- Emmbeded Intuitionistic Fuzzy Broad Learning System) を提案する。 マルチビュー学習、グラフ埋め込み、直観主義ファジィ理論をBLSフレームワークに統合する。 MVGIFBLSは、AUC(Area Under the Curve)スコアを継続的に達成し、ガウス的特徴雑音の下で頑健な性能を維持する。
  論文  参考訳（メタデータ） (2026-07-18T09:37:46Z)
• Beyond Softmax: A Natural Parameterization for Categorical Random Variables [61.709831225296305]
  階層的なバイナリ分割のシーケンスで構成される関数である$textitcatnat$関数を紹介します。 実験により,提案した関数は学習効率を向上し,一貫した試験性能を特徴とするモデルが得られることを示した。
  論文  参考訳（メタデータ） (2025-09-29T12:55:50Z)
• Self-Reinforced Graph Contrastive Learning [7.49025068464945]
  SRGCL(Self-Reinforced Graph Contrastive Learning)を提案する。 多様なグラフレベルの分類タスクの実験では、SRGCLは最先端のGCL法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-05-19T18:45:54Z)
• Multi-view Fuzzy Graph Attention Networks for Enhanced Graph Learning [0.0]
  Fuzzy Graph Attention Network (FGAT)は、堅牢なグラフベースの学習を必要とするタスクにおいて、将来性を示している。 本稿では,MFGAT(Multi-view Fuzzy Graph Attention Network)を提案する。
  論文  参考訳（メタデータ） (2024-12-23T04:39:08Z)
• GRVFL-MV: Graph Random Vector Functional Link Based on Multi-View Learning [0.2999888908665658]
  マルチビュー学習(GRVFL-MV)モデルに基づく新しいグラフランダムベクトル関数リンクを提案する。 提案モデルは,マルチビュー学習(MVL)の概念を取り入れて,複数の視点で学習する。 また、グラフ埋め込み(GE)フレームワークを使用して、すべてのビューの幾何学的性質も取り入れている。
  論文  参考訳（メタデータ） (2024-09-07T07:18:08Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• Joint Feature and Differentiable $ k $-NN Graph Learning using Dirichlet Energy [103.74640329539389]
  特徴選択と識別可能な$k $-NNグラフ学習を同時に行うディープFS法を提案する。 我々は、ニューラルネットワークで$ k $-NNグラフを学習する際の非微分可能性問題に対処するために、最適輸送理論を用いる。 本モデルの有効性を,合成データセットと実世界のデータセットの両方で広範な実験により検証する。
  論文  参考訳（メタデータ） (2023-05-21T08:15:55Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Probabilistic Graph Attention Network with Conditional Kernels for Pixel-Wise Prediction [158.88345945211185]
  本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。 構造化されたマルチスケール機能学習と融合。 本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2021-01-08T04:14:29Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)

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。