論文の概要: XGRVFL-MV: Residual-Coupled Graph-Embedded Multi-View Random Vector Functional Link Network with FleXi Guardian Loss

• arxiv url: http://arxiv.org/abs/2607.23149v1
• Date: Sat, 25 Jul 2026 11:00:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.004263
• Title: XGRVFL-MV: Residual-Coupled Graph-Embedded Multi-View Random Vector Functional Link Network with FleXi Guardian Loss
• Title（参考訳）: XGRVFL-MV:FleXiガーディアンロスを用いた残差結合グラフ埋め込み多視点ランダムベクトル関数リンクネットワーク
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.2418940049493368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Random Vector Functional Link (RVFL) networks provide an efficient randomized learning framework for classification. Existing multi-view RVFL methods utilize complementary information from multiple views. However, preserving view-specific geometric structure, limiting the influence of large prediction residuals, and modeling relationships between multiple views remain challenging. This paper proposes a Residual-Coupled Graph-Embedded Multi-View RVFL model with fleXi guardian loss (XGRVFL-MV) for multi-view classification. The proposed model constructs RVFL representation for each view, incorporates graph embedding with intrinsic and penalty graphs constructed using the Local Fisher Discriminant Analysis weighting scheme. It also uses the bounded and asymmetric FleXi Guardian (XG) loss for residual learning. A residual-coupling term is introduced to encourage consistency among view-specific prediction residuals while preserving view-specific representations. The resulting optimization problem is solved using an inversion-free first-order optimization procedure based on Nesterov accelerated gradient descent. We evaluate the proposed model on UCI, KEEL, AwA, and Corel5k benchmark datasets. Experimental results, together with statistical analyses and hyperparameter sensitivity analyses, show that XGRVFL-MV achieves competitive classification performance compared with the baseline methods across the evaluated benchmark datasets.
• 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、分類のための効率的なランダム化学習フレームワークを提供する。 既存のマルチビューRVFL手法では、複数のビューから補完的な情報を利用する。 しかし、ビュー固有の幾何構造を保ち、大きな予測残差の影響を限定し、複数のビュー間のモデリング関係は依然として困難である。 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内在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。 また、残学習には有界および非対称のFleXi Guardian(XG)損失も使用する。 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。 結果の最適化問題は、ネステロフ加速勾配勾配に基づくインバージョンフリーの1次最適化手法を用いて解決される。 UCI、KEEL、AwA、Corel5kベンチマークデータセット上で提案したモデルを評価する。 実験結果から,XGRVFL-MVは,評価されたベンチマークデータセットのベースライン法と比較して,競合的な分類性能を達成できることが示唆された。

関連論文リスト

• Intuitionistic Fuzzy Graph Embedded Random Vector Functional Link with Multiview Learning [5.725795684434675]
  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。
  論文  参考訳（メタデータ） (2026-07-06T20:54:02Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• 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)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• 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)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• 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)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。