論文の概要: iStructTab: Structured Feature Sequencing for Multimodal Learning of Image and Tabular Data

• arxiv url: http://arxiv.org/abs/2608.04348v1
• Date: Wed, 05 Aug 2026 01:47:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.686133
• Title: iStructTab: Structured Feature Sequencing for Multimodal Learning of Image and Tabular Data
• Title（参考訳）: iStructTab:画像と語彙データのマルチモーダル学習のための構造化特徴シーケンス
• Authors: Al Zadid Sultan Bin Habib, Md Younus Ahamed, Prashnna Gyawali, Gianfranco Doretto, Donald A. Adjeroh,
• Abstract要約: カラム置換問題(CPP)の原理に基づく構造的特徴列列化アルゴリズムであるグラフ拡張ディスクリプタシークエンシング(GEDS)を導入する。 我々はGEDSを注文対応の効率的なトランスフォーマーフレームワークに組み込み、専用のロス関数を介して派生した特徴シーケンスに明示的に準拠する順序対応メモリトークンを利用する。 マルチモーダルベンチマークによる実験結果から,iStructTabは特徴分散を効果的に最小化し,予測性能とロバスト性を向上し,マルチモーダル学習における構造化特徴シーケンシングの重要性を強調した。
• 参考スコア（独自算出の注目度）: 4.152637717024763
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal learning of images and tabular data is often impaired by ineffective representations, resulting in redundancy, dispersion, and generalization problems. To tackle this challenge, we introduce Graph-Enhanced Descriptor Sequencing (GEDS), a structured feature sequencing algorithm grounded in principles from the Column Permutation Problem (CPP). GEDS refines statistical descriptors of the features through similarity graph-based computations, systematically determining an effective feature sequencing. We incorporate GEDS within an order-aware efficient transformer framework, utilizing order-aware memory tokens that explicitly adhere to the derived feature sequencing via a dedicated loss function. Experimental results across multimodal benchmarks demonstrate that iStructTab effectively minimizes feature dispersion, improving predictive performance and robustness, and highlighting the significance of structured feature sequencing in multimodal learning.
• Abstract（参考訳）: 画像と表データのマルチモーダル学習は、しばしば非効率な表現によって障害を受け、冗長性、分散、一般化の問題を引き起こす。 この課題に対処するために,カラム置換問題 (CPP) の原理に基づく構造的特徴列列化アルゴリズムである Graph-Enhanced Descriptor Sequencing (GEDS) を導入する。 GEDSは、類似性グラフに基づく計算によって特徴の統計的記述を洗練し、効果的な特徴シーケンシングを体系的に決定する。 我々はGEDSを注文対応の効率的なトランスフォーマーフレームワークに組み込み、専用のロス関数を介して派生した特徴シーケンスに明示的に準拠する順序対応メモリトークンを利用する。 マルチモーダルベンチマークによる実験結果から,iStructTabは特徴分散を効果的に最小化し,予測性能とロバスト性を向上し,マルチモーダル学習における構造化特徴シーケンシングの重要性を強調した。

関連論文リスト

• Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
  WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。 クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
  論文  参考訳（メタデータ） (2026-04-07T13:18:31Z)
• Structured Token Retention and Computational Memory Paths in Large Language Models [0.0]
  本稿では,文脈的重要性に基づいてトークンの永続化を動的に調整する確率的選択フレームワークを提案する。 階層的なメモリ割り当てによって拡張され、トークン埋め込みの構造化された再配置によって保持効率を向上する。 STRとCMPのオープンソースモデルへの統合は、構造化メモリ保持手法の適応性を示している。
  論文  参考訳（メタデータ） (2025-02-05T11:59:22Z)
• Structural Entropy Guided Probabilistic Coding [52.01765333755793]
  構造エントロピー誘導型確率的符号化モデルSEPCを提案する。 我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。 分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-12T00:37:53Z)
• ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
  拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。 構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
  論文  参考訳（メタデータ） (2024-05-22T15:23:10Z)
• Top-$k$ Regularization for Supervised Feature Selection [11.927046591097623]
  教師付き特徴選択のための新しい,シンプルで効果的な正規化手法である Top-k$ regularization を導入する。 上位$kの正規化は、教師付き特徴選択に有効で安定であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T01:12:47Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)

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。