論文の概要: Graph-Embedded Intuitionistic Fuzzy Broad Learning System: A Multi-view Framework
- arxiv url: http://arxiv.org/abs/2607.16728v1
- Date: Sat, 18 Jul 2026 09:37:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.237542
- Title: Graph-Embedded Intuitionistic Fuzzy Broad Learning System: A Multi-view Framework
- Title（参考訳）: グラフ埋め込み直観的ファジィブロードラーニングシステム:マルチビューフレームワーク
- Authors: Yogesh Kumar, Manju, Mudasir Ganaie,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.7594168650194533
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Broad Learning System (BLS) has been widely used for data classification and is based on a layer-by-layer feed-forward structure. However, it gives the same importance to all data points, which reduces its effectiveness on real-world datasets with noise and outliers. In addition, it does not consider the geometric structure of the data and has limitations in handling data from multiple sources. To address these challenges, we propose a Multi-View Graph-Embedded Intuitionistic Fuzzy Broad Learning System (MVGIFBLS) that integrates multi-view learning, graph embedding, and intuitionistic fuzzy theory into the BLS framework. This design enables the model to combine information from multiple sources and learn more discriminative representations. Graph embedding captures the geometric relationships among samples and improves class separation through intrinsic and penalty subspaces based on local Fisher discriminant analysis. Intuitionistic fuzzy theory enhances robustness to noise, while kernel-based neighborhood analysis captures local data structures. We evaluate the proposed framework on several UCI, KEEL, and AwA benchmark datasets using comparative evaluation, Gaussian feature noise analysis, ablation studies, and statistical analysis. The results demonstrate that each component contributes positively to the overall framework and that the proposed MVGIFBLS consistently achieves higher Area Under the Curve (AUC) scores and maintains robust performance under Gaussian feature noise.
- Abstract（参考訳）: Broad Learning System (BLS) はデータ分類に広く使われており、層間フィードフォワード構造に基づいている。
しかし、これはすべてのデータポイントに同じ重要性を与え、ノイズと外れ値を持つ実世界のデータセットでの有効性を低下させる。
さらに、データの幾何学的構造を考慮せず、複数のソースからのデータの処理に制限がある。
これらの課題に対処するために、多視点学習、グラフ埋め込み、直観的ファジィ理論をBLSフレームワークに統合したMVGIFBLS(Multi-View Graph-Embeded Intuitionistic Fuzzy Broad Learning System)を提案する。
この設計により、モデルは複数のソースからの情報を組み合わせて、より差別的な表現を学ぶことができる。
グラフ埋め込みは、サンプル間の幾何学的関係を捉え、局所的なフィッシャー判別分析に基づいて、固有部分空間とペナルティ部分空間を通してクラス分離を改善する。
直観的ファジィ理論はノイズに対する堅牢性を高める一方、カーネルベースの近傍解析は局所的なデータ構造を捉える。
提案手法は, 比較評価, ガウス特徴雑音解析, アブレーション研究, 統計解析を用いて, いくつかのUCI, KEEL, AwAベンチマークデータセット上で評価する。
その結果、各コンポーネントは全体のフレームワークに肯定的な寄与を示し、提案したMVGIFBLSは、AUC(Area Under the Curve)スコアを一定に高め、ガウス的特徴雑音下で頑健な性能を維持していることがわかった。
関連論文リスト
- CuBAS: Information Geometric Curvature-Based Adaptive Sampling for Supervised Classification [52.452902154360565]
CuBASは、教師付き分類における適応データ選択のための情報幾何学的フレームワークである。
ラベル付きデータセットは統計多様体と見なすことができ、局所曲率は2階と1階の観測されたフィッシャー情報の比率で推定され、データの分布の幾何学的複雑さを忠実にエンコードする。
論文 参考訳（メタデータ） (2026-07-03T09:36:02Z) - Cross-Contrastive Clustering for Multimodal Attributed Graphs with Dual Graph Filtering [22.795819970801475]
MMAG(MultimodalAttributed Graphs)は、エンティティ間の複雑な相互接続を表現するための表現型データモデルである。
本稿では,ノード表現学習に特徴分担成分を組み込んだデュアルグラフフィルタリング手法を提案する。
実験の結果,DGFは,地中トラスラベルに対して測定されたクラスタリング品質において,多種多様な最先端のベースラインを一貫して,かつ著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2025-11-25T07:56:40Z) - Toward Robust Signed Graph Learning through Joint Input-Target Denoising [20.15917072156998]
符号付きグラフニューラルネットワーク(SGNN)は、符号付きグラフと負のリンクの両方で複雑なパターンを解析するために広く採用されている。
本稿では,ロバストグラフ学習のための新しいフレームワーク RIDGE を提案する。
提案手法を4つの有意な符号付きグラフデータセット上で広範囲に検証した結果,RIDGEは各種ノイズレベル下での一般的なSGNNモデルのロバスト性を明確に向上することが示された。
論文 参考訳（メタデータ） (2025-10-26T03:34:40Z) - ACTGNN: Assessment of Clustering Tendency with Synthetically-Trained Graph Neural Networks [4.668678950572517]
ACTGNNは、データのグラフ表現を利用してクラスタリング傾向を評価するために設計されたグラフベースのフレームワークである。
グラフニューラルネットワーク(GNN)は、合成データセットのみにトレーニングされており、クラスタ構造を堅牢に学習することができる。
その結果,提案手法の一般化性と有効性を強調し,ロバストなクラスタリング傾向評価のための有望なツールとなった。
論文 参考訳（メタデータ） (2025-01-30T03:31:26Z) - Graph-level Protein Representation Learning by Structure Knowledge
Refinement [50.775264276189695]
本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。
本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-05T09:05:33Z) - Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。
RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。
6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
論文 参考訳（メタデータ） (2023-11-02T12:47:49Z) - Kernel-based Joint Multiple Graph Learning and Clustering of Graph
Signals [2.4305626489408465]
本稿では, Kernel-based Joint Multiple GL and clustering of graph signal applicationを紹介する。
実験により、KMGLは、特に高騒音レベルのシナリオにおいて、GLクラスタリングの堅牢性を大幅に向上することが示された。
これらの知見は,様々な実世界のアプリケーションにおいて,グラフ信号処理法の性能向上のためのKMGLの可能性を明らかにするものである。
論文 参考訳（メタデータ） (2023-10-29T13:41:12Z) - ALEX: Towards Effective Graph Transfer Learning with Noisy Labels [11.115297917940829]
本稿では,グラフ伝達学習の課題に対処するため,バランスアライメントと情報認識試験(ALEX)と呼ばれる新しい手法を提案する。
ALEXはまず特異値分解を使用して、重要な構造的意味論を持つ異なるビューを生成し、堅牢なノード表現を提供する。
この基礎の上に構築され、複雑なマルチモーダル分布の暗黙的な領域アライメントのために、対向領域判別器が組み込まれている。
論文 参考訳（メタデータ） (2023-09-26T04:59:49Z) - Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。
非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
論文 参考訳（メタデータ） (2023-05-29T04:51:09Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T14:49:59Z) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳（メタデータ） (2022-01-28T09:30:32Z)
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。