論文の概要: Manifold Constrained Tabular Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2607.09710v1
• Date: Tue, 23 Jun 2026 19:11:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-19 21:54:20.381443
• Title: Manifold Constrained Tabular Deep Neural Networks
• Title（参考訳）: Manifold Constrained Tabular Deep Neural Networks
• Authors: Tian Li, Lucy Robinson, Varun Ojha, Huizhi Liang,
• Abstract要約: HDE-Netは、双曲空間における階層的決定モデリングを可能にする、多様体拘束型ディープニューラルネットワーク(DNN)である。 数値的特徴量に対して,距離に基づく局所規則を微分可能な方法で近似するソフト決定ルーティング機構を導入する。 エントロピー対応キャパシティ割り当てアルゴリズムは、数値的特徴あたりのLDNの数に適応し、表現性と複雑性のバランスをとる。
• 参考スコア（独自算出の注目度）: 5.737774893512779
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tabular classification is often governed by local, condition-triggered rules rather than smooth global patterns. However, tabular deep neural networks (DNNs) are typically built upon Euclidean representations that favor smooth variations and semantic locality. This potential geometric mismatch can make it challenging for tabular DNNs to efficiently represent the discrete, rule-partitioned structures often underlying tabular classification. To address this issue, we propose HDE-Net, a manifold-constrained DNN that enables hierarchical decision modeling in hyperbolic space. We first abstract heterogeneous features into unified Latent Decision Nodes (LDNs) and embed them in the Poincaré ball, forming a continuous representation that resembles tree-structured reasoning. For numerical features, we introduce a Soft Decision Routing mechanism that approximates range-based local rules in a differentiable manner, bringing their LDN semantics closer to those of categorical features. An entropy-aware capacity allocation algorithm further adapts the number of LDNs per numerical feature to balance expressiveness and complexity. On the TALENT-tiny-core classification benchmark (30 datasets), HDE-Net achieves the \textit{best average rank}, outperforming both industrial GBDTs and recent tabular DNNs while maintaining high efficiency.
• Abstract（参考訳）: タブラル分類は、しばしば、スムーズなグローバルパターンではなく、局所的で条件付き規則によって管理される。 しかしながら、表層ディープニューラルネットワーク(DNN)は典型的にはユークリッド表現に基づいて構築され、スムーズなバリエーションとセマンティックな局所性を好む。 この潜在的な幾何学的ミスマッチは、表層DNNが表層分類の根底にある離散的な規則分割構造を効率的に表現することが困難になる可能性がある。 この問題に対処するために,双曲空間における階層的決定モデリングを可能にする多様体制約付きDNNであるHDE-Netを提案する。 まず、不均一な特徴を統合潜在決定ノード(LDN)に抽象化し、それらをポアンカレ球に埋め込んで、木構造的推論に類似した連続表現を形成する。 数値的特徴量に対して,範囲に基づく局所ルールを微分可能な方法で近似するソフト決定ルーティング機構を導入し,LDNのセマンティクスをカテゴリー的特徴量に近づける。 エントロピー対応キャパシティ割り当てアルゴリズムは、数値的特徴あたりのLDNの数に適応し、表現性と複雑性のバランスをとる。 TALENT-tiny-core 分類ベンチマーク(30データセット)では、HDE-Net が \textit{best average rank} を達成した。

関連論文リスト

• Compositional Sparsity as an Inductive Bias for Neural Architecture Design [35.06894725394093]
  我々は、ディープニューラルネットワークが次元の呪いを克服できる構造的先行性を特定する。 本稿では,階層的な構成によって抽象化が生じる解釈可能なパイプラインを提案する。 現実世界のデータセットの幅広いスイートの中で、HNNは、はるかに少ないパラメータを使用しながら、常に密なベースラインにマッチまたは性能を向上する。
  論文  参考訳（メタデータ） (2026-05-14T12:26:50Z)
• S$^2$NN: Sub-bit Spiking Neural Networks [53.08060832135342]
  スパイキングニューラルネットワーク(SNN)は、マシンインテリジェンスにエネルギー効率のよいパラダイムを提供する。 最近のバイナリSNNの進歩にもかかわらず、大規模ネットワークではストレージと計算の要求が相当に大きい。 1ビット未満の重みを表すサブビットスパイキングニューラルネットワーク(S$2$NNs)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T04:17:44Z)
• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• TopoTune : A Framework for Generalized Combinatorial Complex Neural Networks [5.966445718346143]
  一般化されたCCNNは、任意の(グラフ)ニューラルネットワークをTDLに変換するために使用することができる。 TopoTuneは、前例のない柔軟性と容易さでGCCNを定義し、構築し、訓練するための軽量ソフトウェアである。
  論文  参考訳（メタデータ） (2024-10-09T04:07:20Z)
• Bundle Neural Networks for message diffusion on graphs [28.19981068815194]
  結合ニューラルネットワーク(BuNN)は,任意のグラフ上の任意の特徴変換をインジェクティブな位置符号化で近似できることを示す。 また、BuNNが任意のグラフの族上の任意の特徴変換を近似して、任意の射影的位置エンコーディングを行えば、普遍的なノードレベルの表現性が得られることを証明した。
  論文  参考訳（メタデータ） (2024-05-24T13:28:48Z)
• Neural Networks for Singular Perturbations [0.0]
  特異摂動楕円型二点境界値問題のモデルクラスの解集合に対する表現率境界を証明した。 我々は, NNサイズの観点から, ソボレフノルムの表現速度境界を定めている。
  論文  参考訳（メタデータ） (2024-01-12T16:02:18Z)
• Sequential three-way decisions with a single hidden layer feedforward neural network [5.943305068876161]
  単一隠れ層フィードフォワードニューラルネットワーク(SFNN)におけるネットワークトポロジ構築のための3方向決定戦略が採用されている。 本稿では、構造化データセット上でのネットワーク性能を高めるために、SFNN(STWD-SFNN)を用いたSTWDを提案する。
  論文  参考訳（メタデータ） (2023-03-14T02:26:34Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
  本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。 EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。 これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
  論文  参考訳（メタデータ） (2020-01-21T15:51:17Z)

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。