論文の概要: H$^2$EDL: Hyper Evidential Deep Learning for Hierarchical Classification
- arxiv url: http://arxiv.org/abs/2608.18185v1
- Date: Tue, 18 Aug 2026 08:42:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.173719
- Title: H$^2$EDL: Hyper Evidential Deep Learning for Hierarchical Classification
- Title（参考訳）: H$^2$EDL:階層分類のための超証拠深層学習
- Abstract要約: 新しい不確実性表現 H$2$EDL は、微細なクラスと中間概念の両方をキャプチャすることができる。
FGVC-AircraftとDERM12345では、H$2$EDLはクロスエントロピーベースラインと比較してキャリブレーション誤差を約半分削減する。
- 参考スコア（独自算出の注目度）: 19.611209640933435
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fine-grained recognition often involves hierarchical label spaces, where a model may be confident about a coarse semantic concept while remaining uncertain among its descendant classes. Such structured ambiguity requires uncertainty representations that capture both fine-grained classes and intermediate concepts. However, existing tools each capture only half of it: flat evidential classifiers quantify total ignorance with a single vacuity on the leaf frame, and hierarchical classifiers propagate point probabilities with no notion of evidence. Hyper-opinions would unify the two, but their general form is exponential in the label count, and existing hyper-evidential networks either require composite labels to be supplied in the training data or read them off an unstructured weight pattern, with no principled notion of which composites deserve mass. We observe that the taxonomy itself is the missing hyperdomain. Its subtrees and leaf singletons form a linear-size focal family, and one local Dirichlet opinion per branching node induces every composite mass in closed form. The resulting model, H$^2$EDL, can be interpreted in two complementary ways using the same set of parameters. From a prediction perspective, it functions as a hierarchical classifier that preserves consistency across different levels of the label tree. From a probabilistic perspective, it defines a valid tree-structured hyper-opinion, where the mass assigned to each node represents the belief that reaches that node but does not provide sufficient confidence to further specialize into its descendants. On FGVC-Aircraft and DERM12345, H$^2$EDL reduces calibration error by approximately half compared with cross-entropy baselines, with the improvement becoming more pronounced at deeper hierarchy levels and under larger training budgets.
- Abstract（参考訳）: 微粒な認識はしばしば階層的なラベル空間を伴い、モデルが粗いセマンティック概念に自信を持ちながら、その子孫クラスの間には不確実なままである。
このような構造化された曖昧さは、微細なクラスと中間概念の両方を捉える不確実性表現を必要とする。
平坦な明示的分類器は、葉枠上の1つの空白で全無知を定量化し、階層的分類器は、証拠の概念なしで点確率を伝播する。
ハイパーオピニオンは2つを統一するが、それらの一般的な形式はラベル数で指数関数的であり、既存のハイパーエビデンシャルネットワークはトレーニングデータに供給される複合ラベルを必要とするか、非構造的な重みパターンから読み取る必要がある。
分類自体が欠落しているハイパードメインであることが観察されている。
その部分木と葉のシングルトンは線型サイズの焦点族を形成し、分岐ノード当たりの1つの局所ディリクレの意見は閉形式のすべての合成質量を誘導する。
結果のモデルである H$^2$EDL は、同じパラメータの集合を用いて2つの相補的な方法で解釈できる。
予測の観点からは、ラベルツリーの異なるレベルにわたる一貫性を維持する階層的分類器として機能する。
確率論的観点からは、各ノードに割り当てられた質量は、そのノードに到達する信念を表すが、その子孫にさらに専門化するための十分な信頼を与えていない、有効な木構造超オピニオンを定義する。
FGVC-AircraftとDERM12345では、H$^2$EDLはクロスエントロピーベースラインに比べてキャリブレーション誤差を約半分減らし、より深い階層レベルとより大きなトレーニング予算下で改善がより顕著になる。
関連論文リスト
- Diffusion Models and Concept Formation [2.9491967009603255]
我々は拡散モデルがCobwebと同じ計算を暗黙的に行うことを論じる。
Cobwebは離散木を漸進的に学習するのに対し、拡散モデルは連続的に補間可能な階層を1つの学習スコア場にエンコードする。
これは、拡散を概念形成の認知モデルとして再編成し、Cobwebに継続的でスケーラブルなインスタンス化を提供する。
論文 参考訳（メタデータ） (2026-09-11T16:43:48Z) - Beyond Flat Labels: Level-Restricted Contrastive Learning for Hierarchical Fine-Grained Vision Classification [50.20892407648858]
マルチモーダルコントラスト学習は、画像とテキストカテゴリを整列させることで、ゼロショットの視覚的分類を可能にした。
既存の手法は、しばしば分類学レベルで矛盾する予測を生成する。
本稿では,各分類レベルが適切な最適化を受けることを保証するグループバランス設計を提案する。
我々は、BioCLIPに基づいてTreeOfLife-10Mでモデルをトレーニングし、複数の階層分類ベンチマークで評価する。
論文 参考訳（メタデータ） (2026-06-20T02:12:05Z) - Learn from your own latents and not from tokens: A sample-complexity theory [53.5821824211418]
本研究では,関連するビューやマスキング領域の潜在表現を予測するために訓練されたネットワークについて検討する。
潜在予測は、対数的要因まで、多くのサンプルを$L$で表すことでこれを達成できることを示す。
これは、H-JEPAのような明示的な積み重ねがほとんど冗長であることを示している。
論文 参考訳（メタデータ） (2026-05-26T22:16:42Z) - Hierarchically Robust Zero-shot Vision-language Models [74.79155369056639]
VLM(Vision-Language Models)はゼロショット分類を行うことができるが、敵攻撃の影響を受けやすい。
既存のアプローチは、固定されたテキスト埋め込みをイメージ埋め込みと整合させ、自然なパフォーマンスと堅牢性を犠牲にする。
本稿では,階層的な埋め込みと画像・テキスト・モダリティの対角的ロバストなアライメントに基づく,新しい逆方向の微調整フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-20T21:42:14Z) - Semantic Level of Detail: Multi-Scale Knowledge Representation via Heat Kernel Diffusion on Hyperbolic Manifolds [0.0]
本稿では,ポアンカレ球上での熱核拡散を通じて連続ズーム演算子を定義するフレームワークであるSemantic Level of Detail (SLoD)を紹介する。
グラフラプラシアンのスペクトルギャップは創発的スケール境界を誘導することを示す。
人工階層において, 境界スキャナーはARIによる植林レベルを最大1.00まで回復し, 検出精度はケステン・スティグム閾値付近で良好に低下する。
論文 参考訳（メタデータ） (2026-03-09T21:54:08Z) - Learning Consistent Taxonomic Classification through Hierarchical Reasoning [61.372270953201955]
分類学分類における葉レベル精度と階層的整合性を改善するための2段階階層型推論フレームワークを提案する。
我々のフレームワークはQwen2.5-VL-7Bモデルで実装され、葉レベルと階層的整合性の両方で元の72Bを10%以上上回っている。
論文 参考訳（メタデータ） (2026-01-21T03:00:00Z) - Climbing the label tree: Hierarchy-preserving contrastive learning for medical imaging [0.0]
本稿では,ラベルツリーを第一級学習信号とし,評価対象とする階層保存型コントラストフレームワークを提案する。
提案手法では,共有祖先による正負の対の強みを拡大する階層重みコントラスト (HWC) と,レベル・アウェア・マージン (LAM) の2つのプラグイン目標を導入する。
論文 参考訳（メタデータ） (2025-11-05T18:53:25Z) - Visually Consistent Hierarchical Image Classification [37.80849457554078]
階層分類は、例えば、粗いレベルの"Bird"から中レベルの"Hummingbird"から、細かいレベルの"Green hermit"まで、複数の分類のレベルにまたがるラベルを予測する。
論文 参考訳（メタデータ） (2024-06-17T14:56:51Z) - Information-Theoretic Limits and Strong Consistency on Binary Non-uniform Hypergraph Stochastic Block Models [0.0]
非一様ハイパーグラフブロックモデル(HSBM)の下でのランダムハイパーグラフの教師なし分類問題
本稿では,クラスタリング精度と強い一貫性しきい値に対する情報理論の限界を確立する。
論文 参考訳（メタデータ） (2023-06-12T03:38:25Z) - Label Relation Graphs Enhanced Hierarchical Residual Network for
Hierarchical Multi-Granularity Classification [10.449261628173229]
本研究では,階層の任意のレベルにオブジェクトをラベル付けするHMC問題について検討する。
子どもの特徴に残差接続を付加する階層的残差ネットワーク(HRN)を提案する。
論文 参考訳（メタデータ） (2022-01-10T07:17:24Z) - Modeling Heterogeneous Hierarchies with Relation-specific Hyperbolic
Cones [64.75766944882389]
知識グラフにおける複数の階層的および非階層的関係を同時にモデル化できるKG埋め込みモデルであるConE(Cone Embedding)を提案する。
特に、ConEは双曲埋め込み空間の異なる部分空間における円錐包含制約を用いて、複数の異種階層をキャプチャする。
我々のアプローチでは、WN18RRで45.3%、DDB14で16.1%の新しい最先端hits@1が得られる(0.231 MRR)。
論文 参考訳（メタデータ） (2021-10-28T07:16:08Z) - Hierarchical nucleation in deep neural networks [67.85373725288136]
我々は,いくつかの最先端DCNにおいて,隠れた層にまたがるImageNetデータセットの確率密度の進化について検討した。
初期層は, 分類に無関係な構造を排除し, 一様確率密度を生成する。
その後の層では、密度ピークは階層的な方法で発生し、概念のセマンティック階層を反映する。
論文 参考訳（メタデータ） (2020-07-07T14:42:18Z)
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。