論文の概要: Fermat Active Laplace Learning for Semi-Supervised Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2608.02483v1
• Date: Mon, 03 Aug 2026 16:51:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.713801
• Title: Fermat Active Laplace Learning for Semi-Supervised Hyperspectral Image Classification
• Title（参考訳）: 半スーパービジョンハイパースペクトル画像分類のためのFermat Active Laplace Learning
• Authors: Vutichart Buranasiri, James M. Murphy,
• Abstract要約: 密度認識型ファーマー距離とポアソン重み付き調和ラベル伝搬を組み合わせた2つのアルゴリズムを提案する。 FALLとA-FALLは、Fermat距離とその後の調和ラベル伝搬を利用して、データ多様体の密度認識推定を提供する。 サリナスAとパヴィアの実験では、大きなHSIシーンに対するFALLの有効性とA-FALLのスケーラビリティが示されている。
• 参考スコア（独自算出の注目度）: 3.702642055407484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Two active learning algorithms for hyperspectral image (HSI) classification are proposed that combine density-aware Fermat distances with Poisson-reweighted harmonic label propagation. Our methods actively query points using an uncertainty-based acquisition function, extending Poisson ReWeighted Laplace Learning (PWLL). Our first algorithm, Fermat Active Laplace Learning (FALL), builds an affinity matrix using Fermat distances between all data points. Then, PWLL is run with a diagonal perturbation using the minimum-norm acquisition function. In contrast, Approximate FALL (A-FALL) computes Fermat distances between each data point and landmark pixels selected via farthest-point sampling and constructs the affinity matrix using landmark multidimensional scaling. After several query rounds, A-FALL selects the Fermat exponent $p$ using a leave-one-out cross-validation variant. FALL and A-FALL leverage Fermat distances and subsequent harmonic label propagation to provide a density-aware estimation of the data manifold, improving labeling accuracy. Experiments on Salinas A and Pavia show the effectiveness of FALL and the scalability of A-FALL to large HSI scenes.
• Abstract（参考訳）: 密度認識型ファーマー距離とポアソン重み付き高調波ラベル伝搬を組み合わせた2つのHSI分類アルゴリズムを提案する。 提案手法は不確実性に基づく獲得関数を用いて,Poisson ReWeighted Laplace Learning (PWLL)を拡張した。 最初のアルゴリズムであるFermat Active Laplace Learning (FALL)は、すべてのデータポイント間のFermat距離を用いて親和性行列を構築する。 次に、PWLLは最小ノルム取得関数を用いて対角的摂動で実行される。 対照的に、近似FALL(A-FALL)は、最遠点サンプリングにより選択された各データポイントとランドマークピクセル間のフェルマー距離を計算し、ランドマーク多次元スケーリングを用いて親和性行列を構築する。 いくつかのクエリラウンドの後、A-FALLはFermat exponent $p$を選択する。 FALLとA-FALLは、Fermat距離とその後の高調波ラベル伝搬を利用して、データ多様体の密度を考慮した推定を行い、ラベルの精度を向上させる。 サリナスAとパヴィアの実験では、大きなHSIシーンに対するFALLの有効性とA-FALLのスケーラビリティが示されている。

関連論文リスト

• End-to-End Efficient RL for Linear Bellman Complete MDPs with Deterministic Transitions [66.17960480460185]
  決定過程(MDP)における線形関数近似を用いた強化学習の研究 本稿では, 線形ベルマン完全オラクルに対して, 決定論的遷移, 初期状態, 報奨を伴う計算効率のよいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:32:29Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Semi-Discrete Optimal Transport: Nearly Minimax Estimation With Stochastic Gradient Descent and Adaptive Entropic Regularization [38.67914746910537]
  我々は,ラゲールセル推定と密度支持推定の類似性を用いて,OTマップに対して$mathcalO(t-1)$の低いバウンダリレートを証明した。 所望の速さをほぼ達成するために,サンプル数に応じて減少するエントロピー正規化スキームを設計する。
  論文  参考訳（メタデータ） (2024-05-23T11:46:03Z)
• Quantum Algorithm for Unsupervised Anomaly Detection [5.4335077019052145]
  不正検出、医療侵入検出、軍事監視などにおいて、異常検出は重要な役割を果たす。 Local Outlier Factor Algorithm (LOF algorithm) は広く研究されている。 ここでは古典的アルゴリズムに対応する3つの部分からなる量子LOFアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-18T03:20:11Z)
• Efficient and Flexible Sublabel-Accurate Energy Minimization [62.50191141358778]
  データと滑らかさの項からなるエネルギー関数のクラスを最小化する問題に対処する。 既存の連続最適化手法は、サブラベル精度の高い解を見つけることができるが、大きなラベル空間では効率が良くない。 本稿では,連続モデルと離散モデルの両方の最適特性を利用する効率的なサブラベル精度手法を提案する。
  論文  参考訳（メタデータ） (2022-06-20T06:58:55Z)
• Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
  部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。 線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
  論文  参考訳（メタデータ） (2022-04-20T21:15:38Z)
• Robust Multi-view Registration of Point Sets with Laplacian Mixture Model [25.865100974015412]
  重み付きラプラシアン分布に基づいて複数の点集合を整列させる新しい確率的生成法を提案する。 本稿では,提案手法の利点を,ベンチマークの挑戦的データセットに対する最先端手法と比較することによって示す。
  論文  参考訳（メタデータ） (2021-10-26T14:49:09Z)
• Nearly Optimal Regret for Learning Adversarial MDPs with Linear Function Approximation [92.3161051419884]
  我々は、敵対的な報酬と完全な情報フィードバックで有限正方体エピソディックマルコフ決定プロセスのための強化学習を研究します。 我々は、$tildeO(dHsqrtT)$ regretを達成できることを示し、$H$はエピソードの長さである。 また、対数因子までの$tildeOmega(dHsqrtT)$の値が一致することを証明する。
  論文  参考訳（メタデータ） (2021-02-17T18:54:08Z)
• On Linear Stochastic Approximation: Fine-grained Polyak-Ruppert and Non-Asymptotic Concentration [115.1954841020189]
  The inequality and non-asymptotic properties of approximation procedure with Polyak-Ruppert averaging。 一定のステップサイズと無限大となる反復数を持つ平均的反復数に対する中心極限定理(CLT)を証明する。
  論文  参考訳（メタデータ） (2020-04-09T17:54:18Z)

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。