Fugu-MT 論文翻訳(概要): Uncertainty-Aware Ensemble Deep Randomized Neural Networks for Classification

論文の概要: Uncertainty-Aware Ensemble Deep Randomized Neural Networks for Classification

arxiv url: http://arxiv.org/abs/2608.10007v1
Date: Fri, 07 Aug 2026 21:37:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-12 19:14:45.752638
Title: Uncertainty-Aware Ensemble Deep Randomized Neural Networks for Classification
Title（参考訳）: 不確かさを意識した深部ランダム化ニューラルネットワークの分類
Abstract要約: モデルロバスト性を高めるために,直観的ファジィdRVFL (IF-dRVFL) と直観的ファジィedRVFL (IF-edRVFL) フレームワークを提案する。提案したモデルは直観論的ファジィ理論を統一し、カーネル空間のサンプル近傍情報を利用する。 UCIおよびKEELベンチマークデータセットを用いて行った実験は、既存のSOTAファジィおよび非ファジィアプローチよりも提案されたIF-dRVFLとIF-edRVFLモデルの方が優れていることを示した。
参考スコア（独自算出の注目度）: 8.383154705659596
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The current state-of-the-art (SOTA) deep randomized neural networks, such as deep Random Vector Functional Link (dRVFL) and ensemble deep RVFL (edRVFL), treat all training samples uniformly, which limits their robustness and effectiveness when applied to real-world datasets containing noise and outliers. Furthermore, the propagation of contaminated features across hidden layers negatively influences the decision-making capability of these models. To overcome these limitations, we propose intuitionistic fuzzy dRVFL (IF-dRVFL) and intuitionistic fuzzy edRVFL (IF-edRVFL) frameworks that enhance model robustness. The proposed models unify intuitionistic fuzzy theory to exploit sample neighborhood information in the kernel space by jointly considering membership and non-membership degrees for each sample. Membership degrees are computed based on the distance of samples from their respective class centroids, while non-membership degrees quantify sample heterogeneity within local neighborhoods. These measures are employed to assign adaptive weights to training samples, enabling effective discrimination among clean, noisy, and outlier data points. Extensive experiments conducted on UCI and KEEL benchmark datasets, with and without the presence of Gaussian noise, demonstrate the superiority of the proposed IF-dRVFL and IF-edRVFL models over existing SOTA fuzzy and non-fuzzy approaches. The source code is available at https://github.com/mtanveer1/IF-edRVFL.
Abstract（参考訳）: ディープランダムベクトル関数リンク(dRVFL)やアンサンブルディープRVFL(edRVFL)のような現在の最先端(SOTA)のディープランダム化ニューラルネットワークは、すべてのトレーニングサンプルを均一に扱い、ノイズや外れ値を含む実世界のデータセットに適用した場合の堅牢性と有効性を制限している。さらに, 隠蔽層における汚染された特徴の伝播は, これらのモデルの意思決定能力に悪影響を及ぼす。これらの制約を克服するために、モデルロバスト性を高める直観主義ファジィdRVFL(IF-dRVFL)および直観主義ファジィedRVFL(IF-edRVFL)フレームワークを提案する。提案したモデルは直観的ファジィ理論を統一し,各サンプルに対するメンバシップと非メンバシップを共同で検討することにより,カーネル空間のサンプル近傍情報を利用する。メンバーシップ学位は、それぞれのクラスセントロイドからのサンプル距離に基づいて計算され、非メンバーシップ学位は、局所的な地区内のサンプルの不均一性を定量化する。これらの対策は、トレーニングサンプルに適応重みを割り当て、クリーン、ノイズ、および外れ値のデータポイントの効果的な識別を可能にするために使用される。 UCIとKEELのベンチマークデータセットにおいて、ガウスノイズの有無に関わらず、提案したIF-dRVFLとIF-edRVFLモデルが既存のSOTAファジィおよび非ファジィアプローチよりも優れていることを示した。ソースコードはhttps://github.com/mtanveer1/IF-edRVFLで入手できる。

関連論文リスト

RoBell-RVFL: A Robust Generalized Bell Random Vector Functional Link Network [4.882062728939984]
本稿では,ランダム化モデルがクラス不均衡およびノイズデータをどのように扱うかを再定義する,等式を考慮した一般化ベル乱数ベクトル関数リンクネットワークを提案する。 RoBell-RVFLは、単位重みを使ってマイノリティクラス情報を厳密に保存する二重ストラテジーなサンプルレベルの重み付け機構を採用している。ローカルクラス確率とクラス分布情報を学習プロセスに明示的に組み込むことで、RVFLネットワークのクローズドフォーム学習効率を犠牲にすることなく、サンプルコントリビューションに対する適応制御を実現する。
論文参考訳（メタデータ） (2026-08-17T06:54:42Z)
Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
論文参考訳（メタデータ） (2026-02-01T05:54:59Z)
Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
論文参考訳（メタデータ） (2026-01-19T07:55:29Z)
Volatility in Certainty (VC): A Metric for Detecting Adversarial Perturbations During Inference in Neural Network Classifiers [0.5793804025420254]
ニューラルネットワーク分類器をデプロイする上で、相反する堅牢性は依然として重要な課題である。本稿では,モデル信頼度における不規則性を定量化するラベルフリー計量であるtextitVolatility in Certainty (VC)について検討する。
論文参考訳（メタデータ） (2025-11-14T19:51:04Z)
Generative Bayesian Filtering and Parameter Learning [0.0]
生成ベイズフィルタ(GBF)は、複素非線形および非ガウス状態空間モデルにおいて後方推論を行うための強力なフレームワークを提供する。 GBFは明示的な密度評価を必要としないため、観察や遷移分布が解析的に解析可能である場合に特に有効である。本稿では,各変数を暗黙の完全条件分布から反復的にサンプリングすることで,明示的な密度評価を回避できるジェネレーション・ギブズ・サンプリング手法を提案する。
論文参考訳（メタデータ） (2025-11-06T17:04:48Z)
R^2VFL: A Robust Random Vector Functional Link Network with Huber-Weighted Framework [0.5892638927736115]
ランダムベクトル汎関数リンク(RVFL)ニューラルネットワークは、従来の人工ニューラルネットワークの制約を克服する大きな可能性を示している。本稿では,ハマー重み関数とクラス確率を持つ新しいフレームワーク,R2VFL,RVFLを提案する。提案したモデルを47のUCIデータセット上で広範囲に評価し,厳密な統計的検証を行い,提案モデルの優位性を確認した。
論文参考訳（メタデータ） (2025-04-29T14:20:23Z)
Noisy Test-Time Adaptation in Vision-Language Models [73.14136220844156]
テスト時間適応(TTA)は、テスト中のターゲットデータのみに依存することにより、ソースデータとターゲットデータの分散シフトに対処することを目的としている。本稿では、ゼロショット方式で、テスト時にノイズのあるサンプルをターゲットとするデータにモデルを適応させることに焦点を当てたゼロショットノイズTTA(ZS-NTTA)を提案する。本稿では, 冷凍機の出力を擬似ラベルとして利用し, ノイズ検出器の訓練を行う適応ノイズ検出器(AdaND)を提案する。
論文参考訳（メタデータ） (2025-02-20T14:37:53Z)
Vaccinating Federated Learning for Robust Modulation Classification in Distributed Wireless Networks [0.0]
雑音レベルの異なる信号間の一般化性向上を目的とした新しいAMCモデルであるFedVaccineを提案する。 FedVaccineは、分割学習戦略を用いることで、既存のFLベースのAMCモデルの線形集約の限界を克服する。これらの結果は、実用的な無線ネットワーク環境におけるAMCシステムの信頼性と性能を高めるためのFedVaccineの可能性を浮き彫りにした。
論文参考訳（メタデータ） (2024-10-16T17:48:47Z)
Ensemble Deep Random Vector Functional Link Neural Network Based on Fuzzy Inference System [0.6437284704257459]
アンサンブルディープランダムベクトル汎関数リンク(edRVFL)ニューラルネットワークは、従来の人工ニューラルネットワークの限界に対処する能力を示した。本稿では,ファジィ推論システム(edRVFL-FIS)に基づく新しいEDRVFLを提案する。
論文参考訳（メタデータ） (2024-06-02T17:01:44Z)
NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
論文参考訳（メタデータ） (2021-06-09T17:59:10Z)
Bridging the Gap Between Clean Data Training and Real-World Inference for Spoken Language Understanding [76.89426311082927]
既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
論文参考訳（メタデータ） (2021-04-13T17:54:33Z)
Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
論文参考訳（メタデータ） (2020-08-06T02:07:21Z)

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。