論文の概要: LegoQ: Density-Matrix Representation Learning with Spectral-Spatial State Transitions for Hyperspectral Classification
- arxiv url: http://arxiv.org/abs/2607.28970v1
- Date: Fri, 31 Jul 2026 02:47:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 16:35:22.215254
- Title: LegoQ: Density-Matrix Representation Learning with Spectral-Spatial State Transitions for Hyperspectral Classification
- Title（参考訳）: LegoQ:ハイパースペクトル分類のためのスペクトル空間状態遷移を用いた密度行列表現学習
- Abstract要約: 本稿では,ハイパースペクトル画像のための古典的密度行列表現学習フレームワークを提案する。
スペクトル帯は群に分けられ、各群は正の半定値、エルミート、トレース正規化行列状態にマッピングされる。
スペクトル、空間、およびグループ間の遷移からなる構成可能なスタックは、有効状態セットに繰り返し投影しながら状態を更新する。
その結果、量子ハードウェアを必要とせず、ベクトルのみのハイパースペクトル分類の実用的な代替として制約行列状態学習が支持された。
- 参考スコア（独自算出の注目度）: 39.58966970890936
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral image classification is complicated by mixed pixels, spectral ambiguity, class imbalance, and limited annotations. Most current classifiers encode a pixel or patch as a deterministic vector and apply a linear or multilayer softmax head. Although effective for discrimination, this representation does not directly expose how mixed or uncertain a sample is. This paper presents \method, a classical density-matrix representation learning framework for hyperspectral images. The spectral bands are divided into groups and each group is mapped to a positive semi-definite, Hermitian, trace-normalized matrix state. A composable stack of spectral, spatial, and inter-group transitions then updates the states while repeatedly projecting them back to the valid state set. Instead of flattening the final features, \method\ aggregates the group states and compares them with learnable class-prototype density matrices through Uhlmann fidelity. The normalized eigenspectrum, von Neumann entropy, purity, and prototype fidelity provide sample-level diagnostics that are unavailable from a conventional vector head. On Indian Pines, ten runs yield an overall accuracy of $96.20\pm0.70\%$, an average accuracy of $95.57\pm1.29\%$, and a kappa coefficient of $95.66\pm0.80\%$. On WHU-Hi-LongKou, the best of ten runs reaches $97.52\%$ overall accuracy. Classification maps and feature projections show that the transition stack produces compact and better separated class structures. The results support constrained matrix-state learning as a practical alternative to vector-only hyperspectral classification without requiring quantum hardware.
- Abstract（参考訳）: ハイパースペクトル画像分類は、混合画素、スペクトル曖昧性、クラス不均衡、限定アノテーションによって複雑である。
ほとんどのカレント分類器は画素やパッチを決定論的ベクトルとしてエンコードし、線形または多層ソフトマックスヘッドを適用する。
識別には有効であるが、この表現はサンプルがどの程度混ざっているか、不確実であるかを直接公開しない。
本稿では,ハイパースペクトル画像のための古典的密度行列表現学習フレームワークであるShamethodを提案する。
スペクトル帯は群に分けられ、各群は正の半定値、エルミート、トレース正規化行列状態にマッピングされる。
スペクトル、空間、およびグループ間の遷移からなる構成可能なスタックは、有効状態セットに繰り返し投影しながら状態を更新する。
最後の特徴を平らにする代わりに、 \method\ は群状態を集約し、Uhlmannfidelity を通じて学習可能なクラスプロトタイプ密度行列と比較する。
正規化された固有スペクトル、フォン・ノイマンエントロピー、純度、およびプロトタイプ忠実度は、従来のベクトルヘッドから利用できないサンプルレベルの診断を提供する。
インド・パインズでは、総合で9,6.20 pm0.70 %$、平均で9,5.57 pm1.29 %$、カッパ係数で9,5.66 pm0.80 %$となる。
WHU-Hi-LongKouでは、ベスト10ランが97.52\%の総合精度に達する。
分類マップと特徴投影は、遷移スタックがコンパクトでより良い分離されたクラス構造を生成することを示している。
その結果、量子ハードウェアを必要とせず、ベクトルのみのハイパースペクトル分類の実用的な代替として制約行列状態学習が支持された。
関連論文リスト
- Score the Algebra, Not the Span: Dimension Reduction for Transfer Operator Models of Dynamical Systems [48.096969031315744]
弱い相互作用を持つコンポーネントから組み立てられたシステムでは、コンポーネントはモデル化されるよりもモデルから欠落しており、その機能を正確に予測することはできないことを示す。
代わりに、座標が生成する$-algebraをスコアし、製品とパワーが自由になり、コンポーネントのコストがジェネレータによってのみ管理されるようにすることを提案する。
論文 参考訳（メタデータ） (2026-08-19T13:49:51Z) - Near-Optimal Mode Scaling for Finite-Dimensional Boson Sampling via Lie-Algebraic Leakage Bounds [0.8594140167290097]
物質ベースのプラットフォーム上のボソンサンプリングは、有限次元局所ヒルベルト空間におけるボゾンモードの符号化を必要とする。
コンパクトリー群の既約表現に対する非相互作用サンプリングのための統一的なフレームワークを開発する。
我々は遷移行列のガウスモデルにおいて、そのスペクトルノルムが以前のスピンベースエミュレーションの$O(n)$最悪の場合よりも$tildeO(stn)$に集中していることを証明する。
論文 参考訳（メタデータ） (2026-07-13T15:36:29Z) - Zeta: Dual Whitening for Matrix Optimization via Coordinate-Adaptive Preconditioning [56.24532075189964]
我々は、厳密に順序付けられたパイプラインで座標白化とスペクトル白化を施した二重白化であるゼータを提案する。
我々はZetaが言語モデリング(0.6Bから8Bパラメータ)、Mix-of-expertsアーキテクチャ、ビジョンタスクにまたがる強力なベースラインに適合しているか、あるいは超越していることを証明する。
論文 参考訳（メタデータ） (2026-06-12T07:10:17Z) - SpectralGCD: Spectral Concept Selection and Cross-modal Representation Learning for Generalized Category Discovery [14.526295398233747]
Generalized Category Discovery (GCD) は、既知のクラスの小さなラベル付きサブセットを活用しながら、ラベル付きデータの新しいカテゴリを特定することを目的としている。
我々は,CLIPのクロスモーダル画像-概念類似性を統一されたクロスモーダル表現として利用する,GCDに対する効率的かつ効果的なマルチモーダルアプローチであるSpectralGCDを提案する。
SpectralGCDは、計算コストのごく一部で最先端の手法に匹敵するか、はるかに優れている精度を提供する。
論文 参考訳（メタデータ） (2026-02-19T14:18:50Z) - Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。
本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。
$|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
論文 参考訳（メタデータ） (2025-12-22T10:03:51Z) - Spectral Norm of Convolutional Layers with Circular and Zero Paddings [55.233197272316275]
畳み込み層をゼロにするためのGramの反復法を一般化し、その二次収束を証明した。
また、円と零のパッドド・コンボリューションのスペクトルノルムのギャップを埋めるための定理も提供する。
論文 参考訳（メタデータ） (2024-01-31T23:48:48Z) - Community Detection in the Hypergraph SBM: Exact Recovery Given the
Similarity Matrix [1.74048653626208]
我々は$similarity$matrix$W$で動作するアルゴリズムの性能を調査し、$W_ij$は$i$と$j$の両方を含むハイパーエッジの数を報告する。
ほぼ線形な実行時間を持つ単純かつ高効率なスペクトルアルゴリズムを設計し,min-bisectionしきい値を達成することを示す。
論文 参考訳（メタデータ） (2022-08-23T15:22:05Z) - Regular Polytope Networks [29.44144177954405]
我々は、変換は精度を損なわず、メモリ使用量を減らすことなく修正できると主張しています。
また、固定および最大分離埋め込みを学ぶために使用することができます。
埋め込みの定常性とその最大分離表現を理論的に正当化できることを示した。
論文 参考訳（メタデータ） (2021-03-29T14:11:32Z) - Linear-Sample Learning of Low-Rank Distributions [56.59844655107251]
ktimes k$, rank-r$, matrices to normalized $L_1$ distance requires $Omega(frackrepsilon2)$ sample。
我々は、$cal O(frackrepsilon2log2fracepsilon)$ sample, a number linear in the high dimension, and almost linear in the matrices, usually low, rank proofs.というアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-30T19:10:32Z) - Multiway $p$-spectral graph cuts on Grassmann manifolds [0.3441021278275805]
直接マルチウェイスペクトルクラスタリングアルゴリズムを$p$-norm, for $p in (1, 2]$で提案する。
グラフ $p$-Laplacian の多重固有ベクトルを計算する問題は、グラスマン多様体上の制約のない最小化問題として再キャストされる。
バランスの取れたグラフの単調な減少を監視することは、検討された$p$レベルから最高の解が得られることを保証します。
論文 参考訳（メタデータ） (2020-08-30T16:25:04Z) - Spectral Learning on Matrices and Tensors [74.88243719463053]
テンソル分解は行列法で欠落する潜伏効果を拾うことができることを示す。
また,効率的なテンソル分解法を設計するための計算手法についても概説する。
論文 参考訳（メタデータ） (2020-04-16T22:53:00Z)
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。