論文の概要: Tensor Network Machine Learning for Wildfire Susceptibility Mapping: from Grokking Dynamics to Quantum Mixedness of Class Representations

• arxiv url: http://arxiv.org/abs/2607.19503v1
• Date: Tue, 21 Jul 2026 18:30:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.905013
• Title: Tensor Network Machine Learning for Wildfire Susceptibility Mapping: from Grokking Dynamics to Quantum Mixedness of Class Representations
• Title（参考訳）: ファイアサセプティビリティマッピングのためのテンソルネットワーク機械学習 -グロキングダイナミクスからクラス表現の量子混合性まで-
• Abstract要約: ガルガノ地域の山火事感受性分類のための量子インスピレーション付きテンソルネットワークフレームワークについて紹介する。 このアプローチは、スケーラブルな地理空間表現と解釈可能な量子マスクを組み合わせることで、バイナリとマルチクラスの両方の分類を可能にする。
• 参考スコア（独自算出の注目度）: 53.66343110413339
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A quantum-inspired tensor network framework for wildfire susceptibility classification in the Gargano region is introduced, leveraging AlphaEarth embeddings and Matrix Product State models. The approach combines scalable geospatial representations with an interpretable quantum mask, enabling both binary and multiclass classification of wildfire susceptibility. Beyond predictive performance, the study reveals a pronounced grokking transition in the binary case and provides a detailed analysis of inter-class confusion in the multiclass setting. By introducing level-resolved mixedness diagnostics based on reduced density matrices, we show that the MPS classifier naturally encodes a hierarchy of class distinguishability, with non-adjacent categories becoming more separable than neighboring ones. These results demonstrate that tensor network models not only achieve competitive classification accuracy but also offer a physically grounded framework to quantify and interpret class separability in complex environmental datasets.
• Abstract（参考訳）: ガルガノ地域の山火事感受性分類のための量子インスピレーション付きテンソルネットワークフレームワークを導入し,AlphaEarth埋め込みとMatrix Product Stateモデルを利用した。 このアプローチは、スケーラブルな地理空間表現と解釈可能な量子マスクを組み合わせることで、山火事の感受性のバイナリとマルチクラスの分類を可能にする。 予測性能の他に、二進法の場合の顕著なグルーキング遷移を明らかにし、マルチクラス設定におけるクラス間の混乱を詳細に分析する。 密度行列の低減に基づくレベル分解混合性診断を導入することにより,MPS分類器は自然にクラス識別可能性の階層を符号化し,非隣接カテゴリは近隣カテゴリよりも分離性が高いことを示す。 これらの結果は、テンソルネットワークモデルが競合する分類精度を達成するだけでなく、複雑な環境データセットにおけるクラス分離可能性の定量化と解釈のための物理的基盤となるフレームワークを提供することを示している。

関連論文リスト

• Layerwise Dynamics for In-Context Classification in Transformers [27.052342498221748]
  硬質非マルジン系における多クラス線形分類について検討した。 我々は,各層に特徴とラベルの置換の等式を付与することにより,計算を識別できるようにする。 これにより、機能的等価性を維持しながら解釈可能である。
  論文  参考訳（メタデータ） (2026-04-13T15:20:41Z)
• A class-driven hierarchical ResNet for classification of multispectral remote sensing images [12.282079123411947]
  本稿では,異なる意味クラスレベルでのマルチスペクトル画像の時系列(TS)分類をモデル化するために,クラス駆動型階層型残留ニューラルネットワーク(ResNet)を提案する。 我々は、階層的なペナルティマップを利用して、分類の非一貫性な階層的遷移を阻止する。 センチネル2号画像の月12回の合成でアマゾン林の2つのタイルから得られた実験結果から,階層的アプローチの有効性が示された。
  論文  参考訳（メタデータ） (2025-10-09T10:47:52Z)
• Multiclass threshold-based classification [2.66269503676104]
  標準argmaxルールを一般化する多クラス分類のためのしきい値に基づくフレームワークを提案する。 多次元しきい値に基づく設定は、様々なネットワークやデータセット間で一貫した性能向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-05-16T14:11:26Z)
• Bidirectional Logits Tree: Pursuing Granularity Reconcilement in Fine-Grained Classification [89.20477310885731]
  本稿では,粒度分類タスクにおけるグラニュラリティコンペティションの課題について述べる。 既存のアプローチは通常、共通のベースエンコーダから抽出された共有特徴に基づいて、独立した階層認識モデルを開発する。 グラニュラリティ再構成のための双方向ロジットツリー(BiLT)と呼ばれる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） (2024-12-17T10:42:19Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• An evidential classifier based on Dempster-Shafer theory and deep learning [6.230751621285322]
  Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
  論文  参考訳（メタデータ） (2021-03-25T01:29:05Z)
• Conditional Classification: A Solution for Computational Energy Reduction [2.182419181054266]
  本稿では,畳み込みニューラルネットワークモデルの計算複雑性を低減する新しい手法を提案する。 提案手法は,1)入力サンプルを一連の超クラスに分類する粗粒分類,2)最終ラベルを第1ステップで検出した超クラス間で予測する細粒分類の2段階に分類する。
  論文  参考訳（メタデータ） (2020-06-29T03:50:39Z)
• Open-Set Recognition with Gaussian Mixture Variational Autoencoders [91.3247063132127]
  推論において、オープンセット分類は、サンプルをトレーニングから既知のクラスに分類するか、未知のクラスとして拒絶するかのどちらかである。 我々は,協調的に再構築を学習し,潜在空間におけるクラスベースのクラスタリングを行うよう,我々のモデルを訓練する。 我々のモデルは、より正確で堅牢なオープンセット分類結果を実現し、平均的なF1改善率は29.5%である。
  論文  参考訳（メタデータ） (2020-06-03T01:15:19Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)

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。