論文の概要: Language Identification via Compositional Data Analysis: A Linear-Time Classifier Based on Log-Ratio Geometry
- arxiv url: http://arxiv.org/abs/2607.15238v1
- Date: Thu, 16 Jul 2026 17:35:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.197479
- Title: Language Identification via Compositional Data Analysis: A Linear-Time Classifier Based on Log-Ratio Geometry
- Title（参考訳）: 構成データ分析による言語識別:ログ比幾何に基づく線形時間分類器
- Abstract要約: この研究は、単純度に制約された合成ベクトルとしてのキャラクタとビッグラムの周波数分布をモデル化する。
CLR変換ユニグラムとBigram機能とLaplaceスムージングを組み合わせたパイプラインが提案されている。
実験結果から,提案手法は長文列に対して高い性能で,異なるテキスト長に対して頑健な精度を達成できることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Language identification is commonly addressed using either neural architectures or statistical n-gram models. Neural approaches typically require substantial computational resources, whereas classical frequency-based methods offer efficient linear-time performance, but rely on distance metrics that are not always appropriate for compositional data. This work models character and bigram frequency distributions as compositional vectors constrained to the simplex and mapped via the centered log-ratio (CLR) transformation bijectively onto the $(D-1)$-dimensional zero-sum subspace of $\mathbb{R}^D$, where Euclidean distances correspond to Aitchison distances. A pipeline is proposed, combining CLR-transformed unigram and bigram features with Laplace smoothing to address sparsity. The method is evaluated on six languages. Experimental results show that the proposed approach achieves robust accuracy across different text lengths, with strong performance for longer sequences. These findings indicate that compositional representations provide a deterministic and computationally efficient alternative for language identification, particularly in settings where interpretability and low resource consumption are essential.
- Abstract（参考訳）: 言語識別は、ニューラルアーキテクチャまたは統計的なn-gramモデルを用いて一般的に解決される。
ニューラルアプローチは典型的にはかなりの計算資源を必要とするが、古典的な周波数ベースの手法は効率的な線形時間性能を提供するが、必ずしも合成データに適さない距離メトリクスに依存する。
この作業は、単純ベクトルに制約された合成ベクトルとしてのキャラクタリゼーションとビッグラムの周波数分布を、ユークリッド距離がアッチソン距離に対応する$\mathbb{R}^D$の$(D-1)$-次元ゼロサム部分空間に単射的に写す中心対数比(CLR)変換によってマッピングする。
CLR変換ユニグラムとBigram機能とLaplaceスムージングを組み合わせたパイプラインが提案されている。
この方法は6つの言語で評価される。
実験結果から,提案手法は長文列に対して高い性能で,異なるテキスト長に対して頑健な精度を達成できることが示唆された。
これらの結果は,特に解釈可能性や低リソース消費が不可欠である環境では,構成表現が言語識別に決定論的かつ効率的な代替手段を提供することを示している。
関連論文リスト
- From STLS to Projection-based Dictionary Selection in Sparse Regression for System Identification [1.7341202786497238]
我々は辞書に基づくスパースレグレッション、特にシークエンシャルThreshold Least Squares(STLS)を再考する。
SINDy型アルゴリズムに重点を置いたデータ駆動型モデリングのための実践的ガイダンスを提供するためのスコア誘導型ライブラリ選択を提案する。
論文 参考訳（メタデータ） (2025-12-16T13:42:10Z) - CLIP-Clique: Graph-based Correspondence Matching Augmented by Vision Language Models for Object-based Global Localization [0.0]
オブジェクトマップ上のローカライズのための最も有望なアプローチの1つは、セマンティックグラフマッチングを使用することである。
従来の問題に対処するために、視覚言語モデルを用いた対応マッチングを強化する。
さらに、inlierはグラフ理論のアプローチを用いて決定的に推定される。
論文 参考訳（メタデータ） (2024-10-04T00:23:20Z) - Hyperspectral Target Detection Based on Low-Rank Background Subspace
Learning and Graph Laplacian Regularization [2.9626402880497267]
ハイパースペクトル目標検出は、スペクトル特性に基づく薄暗い物体や小さな物体の発見に有効である。
既存の表現に基づく手法は、未知の背景辞書の問題によって妨げられる。
本稿では低ランク表現(LRR)とグラフラプラシア正規化(GLR)に基づく効率的な最適化手法を提案する。
論文 参考訳（メタデータ） (2023-06-01T13:51:08Z) - Optimality of Message-Passing Architectures for Sparse Graphs [12.42591017155152]
スパース設定における特徴デコレーショングラフ上のノード分類問題、すなわちノードの期待次数がノード数で$O(1)$である場合について検討する。
局所ベイズ最適性(英語版)と呼ばれるノード分類タスクに対するベイズ最適性(英語版)の概念を導入する。
最適なメッセージパッシングアーキテクチャは,低グラフ信号のレギュレーションにおける標準と高グラフ信号のレギュレーションにおける典型とを補間することを示す。
論文 参考訳（メタデータ） (2023-05-17T17:31:20Z) - Linearized Wasserstein dimensionality reduction with approximation
guarantees [65.16758672591365]
LOT Wassmap は、ワーッサーシュタイン空間の低次元構造を明らかにするための計算可能なアルゴリズムである。
我々は,LOT Wassmapが正しい埋め込みを実現し,サンプルサイズの増加とともに品質が向上することを示す。
また、LOT Wassmapがペア距離計算に依存するアルゴリズムと比較して計算コストを大幅に削減することを示す。
論文 参考訳（メタデータ） (2023-02-14T22:12:16Z) - Real-Time Scene Text Detection with Differentiable Binarization and
Adaptive Scale Fusion [62.269219152425556]
セグメンテーションに基づくシーンテキスト検出手法はシーンテキスト検出分野において大きな注目を集めている。
本稿では,二項化処理をセグメンテーションネットワークに統合する分散二項化(DB)モジュールを提案する。
アダプティブ・スケール・フュージョン (ASF) モジュールは, 異なるスケールの特徴を適応的に融合させることにより, スケールのロバスト性を向上させる。
論文 参考訳（メタデータ） (2022-02-21T15:30:14Z) - Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via
GDPA Linearization [59.87663954467815]
アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。
本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。
実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
論文 参考訳（メタデータ） (2021-09-10T07:01:15Z) - Learning Optical Flow from a Few Matches [67.83633948984954]
密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。
実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
論文 参考訳（メタデータ） (2021-04-05T21:44:00Z) - Adaptive Semiparametric Language Models [17.53604394786977]
本稿では,大規模パラメトリックニューラルネットワーク(トランスフォーマー)と非パラメトリックエピソードメモリコンポーネントを組み合わせた言語モデルを提案する。
単語ベースおよび文字ベース言語モデリングデータセットの実験により,提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2021-02-04T11:47:03Z) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳（メタデータ） (2020-07-20T12:07:48Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-05T07:06:19Z)
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。