論文の概要: Rethinking Pretraining for Specialized Design Data: Evidence from the JONES-19 Cultural Design Dataset
- arxiv url: http://arxiv.org/abs/2608.00135v1
- Date: Fri, 31 Jul 2026 14:12:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.50477
- Title: Rethinking Pretraining for Specialized Design Data: Evidence from the JONES-19 Cultural Design Dataset
- Title（参考訳）: 特別設計データのための事前学習の再考 : JONES-19文化デザインデータセットからの証拠
- Abstract要約: デザインとアーキテクチャのアーカイブは、専門家の知識をグラフィカルなフォーマットでエンコードする。
我々は,2つのモデルトレーニング戦略において,畳み込みニューラルネットワーク(CNN)の識別性能を評価する。
- 参考スコア（独自算出の注目度）: 45.88028371034407
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Design and architectural archives encode expert human knowledge in graphical formats, providing a critical testbed for design-inspired Machine Learning (ML) challenges absent with typical computer vision benchmarks. Building on JONES-19, a small-size image dataset based on The Grammar of Ornament (London, 1857), we evaluate the discriminative performance of Convolutional Neural Networks (CNNs) in two model training strategies: (a) ImageNet pretraining for domain-general "visual common sense," and (b) learning from scratch on the design data in JONES-19. We find that while domain-general priors improve discriminative performance, learning from scratch augmented with repeated local sampling (multi-crop) effectively recovers these gains. For highly structured design data, local design-driven representations provide sufficient foundation for learning, challenging a reliance on massive general-purpose pretraining. These findings suggest that in specialized design domains, careful curation of smaller high-quality datasets that capture empirical and formal design principles may prove more effective and informative on the nature of a particular design domain than prioritizing large-scale data collection.
- Abstract（参考訳）: デザインとアーキテクチャのアーカイブは、グラフィカルなフォーマットで専門家の知識をエンコードし、典型的なコンピュータビジョンベンチマークに欠けている設計にインスパイアされた機械学習(ML)の課題に対する重要なテストベッドを提供する。
The Grammar of Ornament (London, 1857)に基づく小型画像データセットJONES-19をベースとして、畳み込みニューラルネットワーク(CNN)の識別性能を2つのモデルトレーニング戦略で評価する。
(a)画像ネットによる「視覚常識」の事前学習
(b)JONES-19のデザインデータから学習すること。
ドメインジェネラルが差別的性能を向上させる一方で,局所サンプリング(マルチクロップ)を繰り返し加えたスクラッチからの学習は,これらの利益を効果的に回復させることがわかった。
高度に構造化された設計データに対して、局所設計駆動の表現は学習に十分な基盤を提供し、大規模な汎用事前学習への依存に挑戦する。
これらの結果は、特殊設計領域において、大規模なデータ収集を優先するよりも、経験的および形式的な設計原則を捉えたより小さな高品質なデータセットの慎重なキュレーションが、特定の設計領域の性質に対してより効果的で有益であることを示唆している。
関連論文リスト
- Visual graphs for image classification: does the structure affect performance? [51.56484100374058]
本研究の目的は, 固定された3層GCNアーキテクチャのコンテキスト内で, 現在のグラフ構築手法を体系的に比較することである。
特に、ネットワーク構造がパフォーマンスにどのように影響するかを示し、グラフ利用前の計算段階に関する重要な方法論的な貢献を提供する。
論文 参考訳（メタデータ） (2026-07-07T14:01:44Z) - Training a Custom CNN on Five Heterogeneous Image Datasets [1.4583375893645076]
本研究では,農業・都市領域にまたがる5つのデータセットを対象としたCNNアーキテクチャの有効性について検討した。
これらのデータセットには、照明の差、解像度、環境の複雑さ、クラス不均衡など、さまざまな課題が導入されている。
我々は、ResNet-18やVGG-16など、確立したディープアーキテクチャとともに、軽量でタスク固有のカスタムCNNを評価し、スクラッチとトランスファーラーニングの両方を用いて訓練した。
論文 参考訳（メタデータ） (2026-01-08T08:44:17Z) - Evolving CNN Architectures: From Custom Designs to Deep Residual Models for Diverse Image Classification and Detection Tasks [0.9023847175654603]
本稿では,CNNモデルに対するカスタム畳み込みニューラルネットワーク(CNN)アーキテクチャの比較検討を行った。
データセットはバイナリ分類、きめ細かいマルチクラス認識、オブジェクト検出シナリオにまたがる。
本稿では,ネットワーク深度,残差接続,特徴抽出戦略,影響分類,ローカライゼーション性能などのアーキテクチャ要因について分析する。
論文 参考訳（メタデータ） (2026-01-03T07:45:08Z) - A Guide to Robust Generalization: The Impact of Architecture, Pre-training, and Optimization Strategy [50.33847176405776]
6つのデータセット,40の事前訓練アーキテクチャ,2つの特別な損失,3つの適応プロトコルにまたがる実験的検討を行った。
大規模なデータセット上で教師付きで事前訓練された畳み込みニューラルネットワークは、しばしば最高のパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-08-12T19:38:35Z) - Copresheaf Topological Neural Networks: A Generalized Deep Learning Framework [16.903981913294103]
共振器トポロジカルニューラルネットワーク(CTNN)を導入する
CTNNは、幅広いディープラーニングアーキテクチャをカプセル化する強力な統一フレームワークである。
我々は,CTNNが階層的あるいは局所的な感度を必要とするタスクにおいて,従来のベースラインを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2025-05-27T14:28:50Z) - Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
PropEnは'matching'にインスパイアされている。
一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
論文 参考訳（メタデータ） (2024-05-28T11:30:19Z) - Privacy-preserving design of graph neural networks with applications to
vertical federated learning [56.74455367682945]
VESPERと呼ばれるエンドツーエンドのグラフ表現学習フレームワークを提案する。
VESPERは、適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2023-10-31T15:34:59Z) - Digital Fingerprinting of Microstructures [44.139970905896504]
微細な情報をフィンガープリントする効率的な方法を見つけることは、データ中心の機械学習アプローチを活用するための重要なステップである。
本稿では,マイクロ構造を分類し,その特徴を機械学習タスクに応用する。
特に、ImageNetデータセットで事前訓練された畳み込みニューラルネットワーク(CNN)によるトランスファーラーニングを利用するメソッドは、他の方法よりも優れていることが一般的に示されている。
論文 参考訳（メタデータ） (2022-03-25T15:40:44Z) - On the Suitability of Neural Networks as Building Blocks for The Design
of Efficient Learned Indexes [0.0]
新たなトレンドは、機械学習技術とデータ構造を適切に組み合わせることだ。
この新しい領域はLearred Data Structuresという名前で書かれている。
我々は、ニューラルネットワークを学習データ構造の構築ブロックとして用いることに関する、最初の、より必要な比較実験分析を提供する。
論文 参考訳（メタデータ） (2022-02-21T11:15:40Z) - A Design Space Study for LISTA and Beyond [79.76740811464597]
近年では、反復アルゴリズムの展開による問題固有のディープネットワーク構築に大きな成功を収めている。
本稿では,深層ネットワークにおける設計アプローチとしてのアンローリングの役割について再考する。
スパースリカバリのためのlistaを代表例として,未ロールモデルに対する設計空間調査を初めて実施した。
論文 参考訳（メタデータ） (2021-04-08T23:01:52Z)
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。