論文の概要: Design Choices That Matter: A Functional ANOVA Analysis for Remote Sensing Multi-Label Classification

• arxiv url: http://arxiv.org/abs/2608.04702v1
• Date: Wed, 05 Aug 2026 11:12:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.835817
• Title: Design Choices That Matter: A Functional ANOVA Analysis for Remote Sensing Multi-Label Classification
• Title（参考訳）: 重要な設計選択:リモートセンシングマルチラベル分類のための機能的ANOVA分析
• Authors: Maryam Gholami Shiri, Eva Tuba, Sašo Džeroski, Tome Eftimov, Ana Nikolikj,
• Abstract要約: この研究は、分散(fANOVA)の機能解析を用いて、個々の設計選択とその性能変数に対する相互作用の寄与を定量化する。 リモートセンシング画像(RSI)のための48と20のディープラーニングモデルをカバーする2つの実験的検討を行った。 7つのRSIデータセットにfANOVAを適用することで、設計選択感度プロファイルをキャプチャするデータセットのメタ表現を構築する。
• 参考スコア（独自算出の注目度）: 3.7818567832721737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Benchmarking deep learning (DL) models for multi-label classification (MLC) of remote sensing images (RSI) typically yields rankings that do not generalize beyond the evaluated datasets. In this work, we move beyond rankings by employing functional analysis of variance (fANOVA) to systematically quantify the contributions of individual design choices and their interactions to performance variability. We conduct two empirical analyses covering 48 and 20 DL models, respectively, spanning design choices such as network architecture, fine-tuning strategy, learning strategy, and initialization. By applying fANOVA across seven MLC RSI datasets, we construct dataset meta-representations that capture design-choice sensitivity profiles. Hierarchical clustering of these meta-representations reveals that datasets naturally group according to how they respond to design decisions, with patterns strongly linked to intrinsic dataset properties such as scale, spatial resolution, and label space complexity. Our findings show that for large-scale datasets, fine-tuning strategy and architecture are dominant factors, while in data-limited regimes, initialization becomes decisive. For intermediate regimes, the interaction between architecture and learning strategy governs performance.
• Abstract（参考訳）: リモートセンシング画像(RSI)のマルチラベル分類(MLC)のための深層学習(DL)モデルのベンチマークは、通常、評価されたデータセットを超えて一般化しないランキングを得る。 本研究では, 分散の関数的解析(fANOVA)を用いて, 個々の設計選択の貢献度と, 性能変数に対する相互作用の体系的定量化を行う。 ネットワークアーキテクチャ,微調整戦略,学習戦略,初期化などの設計選択を網羅した,48 と 20 の DL モデルを対象とした実証分析を行った。 7つのLC RSIデータセットにfANOVAを適用することにより、設計選択感度プロファイルをキャプチャするデータセットメタ表現を構築する。 これらのメタ表現の階層的クラスタリングは、データセットが設計決定にどのように反応するかに応じて自然にグループ化され、スケールや空間解像度、ラベル空間の複雑さといった固有のデータセット特性に強く結びついていることを示している。 その結果,大規模データセットでは微調整戦略やアーキテクチャが主流であり,データ限定型では初期化が決定的となることがわかった。 中間体制では、アーキテクチャと学習戦略の相互作用がパフォーマンスを左右する。

関連論文リスト

• From Parameters to Performance: A Data-Driven Study on LLM Structure and Development [73.67759647072519]
  大規模言語モデル(LLM)は、様々な領域で大きな成功を収めている。 モデルスケールと能力の急激な成長にもかかわらず、構造構成がパフォーマンスに与える影響に関する体系的なデータ駆動の研究は依然として少ない。 多様なオープンソースLLM構造を含む大規模データセットと,その性能を複数のベンチマークで比較した。
  論文  参考訳（メタデータ） (2025-09-14T12:20:39Z)
• Comparative Analysis of AI Agent Architectures for Entity Relationship Classification [1.6887793771613606]
  本研究では,3つの異なるAIエージェントアーキテクチャの比較分析を行い,関係分類を行う。 エージェントアーキテクチャは,(1)反射的自己評価,(2)階層的タスク分解,(3)新しいマルチエージェント動的サンプル生成機構を含む。 実験により,マルチエージェントの協調が標準のショットプロンプトより一貫して優れていることが実証された。
  論文  参考訳（メタデータ） (2025-06-03T04:19:47Z)
• Concept Factorization via Self-Representation and Adaptive Graph Structure Learning [8.990462532663871]
  本稿では,自己表現と適応グラフ構造学習(CFSRAG)モデルに基づく概念因子化を提案する。 CFSRAGは自己表現法を用いてデータ間の親和性関係を学習し、学習された親和性行列を用いて動的グラフ正規化制約を実装する。 その結果、我々のモデルは、他の最先端モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-05-06T10:12:59Z)
• Factor Analysis with Correlated Topic Model for Multi-Modal Data [0.0]
  マルチモーダル因子分析(FA)は、単純なデータモダリティに基づく変動の共有軸を明らかにする。 FAは、テキストや単一セルシークエンシングデータのような構造化データモダリティには適していない。 本稿では,FAと相関するトピックモデリングを組み合わせた新しい多視点・多構造ベイズモデルであるFACTMを紹介し,変分推論を用いて最適化する。
  論文  参考訳（メタデータ） (2025-04-26T13:02:53Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
  マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。 MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。 ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。 本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T08:50:26Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)
• Hierarchical regularization networks for sparsification based learning on noisy datasets [0.0]
  階層は、連続的により微細なスケールで特定される近似空間から従う。 各スケールでのモデル一般化を促進するため,複数次元にわたる新規な射影型ペナルティ演算子も導入する。 その結果、合成データセットと実データセットの両方において、データ削減およびモデリング戦略としてのアプローチの性能が示された。
  論文  参考訳（メタデータ） (2020-06-09T18:32:24Z)

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。