論文の概要: Algebraic Multigrid Acceleration for Efficient Label Spreading

• arxiv url: http://arxiv.org/abs/2608.26309v1
• Date: Wed, 26 Aug 2026 18:42:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.154967
• Title: Algebraic Multigrid Acceleration for Efficient Label Spreading
• Title（参考訳）: 効率的なラベル展開のための代数的マルチグリッド高速化
• Abstract要約: 現代の機械学習モデルは大量のラベル付きデータに依存している。 ラベル拡散は、ラベル付きサンプルからラベルなしデータのより大きなプールに情報を伝達する半教師付き学習技術である。 その有効性にもかかわらず、大規模で高次元のデータセットへの応用は、計算コストとメモリ制約によって制限される。
• 参考スコア（独自算出の注目度）: 4.264008762678381
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern machine learning models rely on large amounts of labeled data. However, manual annotation of large-scale datasets is expensive and time-consuming. Label spreading is a semi-supervised learning technique that addresses this challenge by propagating information from a few labeled examples to a larger pool of unlabeled data. Despite its effectiveness, its application to large-scale, high-dimensional datasets is limited by computational costs and memory constraints. To address these limitations, we propose Algebraic Multigrid Acceleration for Efficient Label Spreading (AMELS), an efficient label spreading framework that improves scalability by fast construction of neighborhood graphs and the incorporation of algebraic multigrid solvers. The latter is an iterative solver that replaces the ordinary random walk iteration typically performed in label spreading. Due to the multilevel nature of algebraic multigrid solvers, AMELS spreads given label information across a graph of any size in a single multigrid cycle. We demonstrate that AMELS achieves significant runtime reductions compared to existing implementations while also being more robust to hyperparameter choices in terms of both runtime and classification accuracy. Our framework therefore enables efficient label spreading on large-scale image datasets and produces accurate labels even when only a few labeled samples are available.
• Abstract（参考訳）: 現代の機械学習モデルは大量のラベル付きデータに依存している。 しかし、大規模なデータセットのマニュアルアノテーションは高価で時間を要する。 ラベル拡散は、ラベル付きサンプルからラベルなしデータのより大きなプールに情報を伝達することで、この課題に対処する半教師付き学習技術である。 その有効性にもかかわらず、大規模で高次元のデータセットへの応用は、計算コストとメモリ制約によって制限される。 これらの制約に対処するために, 近傍グラフの高速構築によるスケーラビリティ向上と代数的多重グリッド解法の導入による拡張性向上を目的とした, 効率的なラベル拡散フレームワークであるAMELS (Algebraic Multigrid Acceleration for Efficient Label Spreading) を提案する。 後者は反復解法であり、ラベル拡散で通常実行される通常のランダムウォーク反復を置き換える。 代数的多重グリッドソルバの多重レベルの性質のため、AMELSは与えられたラベル情報を任意の大きさのグラフに1つの多重グリッドサイクルで分散する。 我々は、AMELSが既存の実装と比較して大幅なランタイム削減を実現し、また、ランタイムと分類の正確性の両方の観点から、ハイパーパラメータの選択に対してより堅牢であることを示した。 そこで本フレームワークは,大規模画像データセット上での効率的なラベル拡散を可能にし,少数のラベル付きサンプルが利用可能であっても正確なラベルを生成する。

関連論文リスト

• Multi-Label Node Classification with Label Influence Propagation [79.38415948442751]
  グラフ上のマルチラベルノード分類(MLNC)に取り組むことで、様々なアプローチが開発されている。 グラフニューラルネットワーク(GNN)を利用してラベルの共起相関を利用する方法もあるが、ラベルの埋め込みを組み込んでラベルの近接を捉える方法もある。 我々は,GNNにおけるメッセージパッシングプロセスを,伝搬と変換の2つの操作に分解する。 次に,各操作におけるラベル間の影響相関の包括的分析と定量化を行う。
  論文  参考訳（メタデータ） (2026-07-01T09:17:28Z)
• Extending Graph Condensation to Multi-Label Datasets: A Benchmark Study [6.714933246552199]
  マルチラベルデータセットに対応するために,グラフ凝縮アプローチを拡張した。 8つの実世界のマルチラベルグラフデータセットを用いた実験により,本手法の有効性を実証する。 このマルチラベルグラフ凝縮のベンチマークは、様々な現実世界のアプリケーションに多大な利益をもたらす。
  論文  参考訳（メタデータ） (2024-12-23T20:18:53Z)
• Heavy Labels Out! Dataset Distillation with Label Space Lightening [69.67681224137561]
  HeLlOは、合成画像から直接合成ラベルをオンラインで生成できる効果的な画像-ラベルプロジェクタを目指している。 ソフトラベルの完全なセットに必要な元のストレージの0.003%しか必要とせず、大規模データセット上での現在の最先端データセット蒸留法と同等のパフォーマンスを達成できることを実証した。
  論文  参考訳（メタデータ） (2024-08-15T15:08:58Z)
• ERASE: Error-Resilient Representation Learning on Graphs for Label Noise Tolerance [53.73316938815873]
  本稿では, ERASE (Error-Resilient representation learning on graphs for lAbel noiSe tolerancE) という手法を提案する。 ERASEは、プロトタイプの擬似ラベルとプロパゲーションされた識別ラベルを組み合わせて、表現をエラーレジリエンスで更新する。 提案手法は, 広い雑音レベルにおいて, 複数のベースラインをクリアマージンで上回り, 高いスケーラビリティを享受できる。
  論文  参考訳（メタデータ） (2023-12-13T17:59:07Z)
• Scalable Label Distribution Learning for Multi-Label Classification [43.52928088881866]
  マルチラベル分類(MLC、Multi-label classification)とは、あるインスタンスに関連ラベルのセットをタグ付けする問題を指す。 既存のMLC法の多くは、ラベルペア内の2つのラベルの相関が対称であるという仮定に基づいている。 既存のほとんどの手法はラベル数に関連する学習プロセスを設計しており、大規模な出力空間にスケールアップする際の計算複雑性をボトルネックにしている。
  論文  参考訳（メタデータ） (2023-11-28T06:52:53Z)
• Spatiotemporal Classification with limited labels using Constrained Clustering for large datasets [22.117238467818623]
  分離可能な表現は、より良い分類能力を持つ教師付きモデルにつながる可能性がある。 ラベルの少ない制約付き損失を使って、より優れた表現を学べる方法を示します。 我々は,ラベルの少ない手法を用いて,ラベルのないデータから新しいラベル付きサンプルを抽出し,より優れた分類につながる教師付き手法を拡張できることを示す。
  論文  参考訳（メタデータ） (2022-10-14T05:05:22Z)
• Graph Attention Transformer Network for Multi-Label Image Classification [50.0297353509294]
  複雑なラベル間関係を効果的にマイニングできる多ラベル画像分類のための一般的なフレームワークを提案する。 提案手法は3つのデータセット上で最先端の性能を実現することができる。
  論文  参考訳（メタデータ） (2022-03-08T12:39:05Z)
• Label-Assemble: Leveraging Multiple Datasets with Partial Labels [68.46767639240564]
  Label-Assemble”は、公開データセットのアセンブリから部分的なラベルの可能性を最大限に活用することを目的としている。 陰例からの学習は,コンピュータ支援型疾患の診断と検出の双方を促進することが判明した。
  論文  参考訳（メタデータ） (2021-09-25T02:48:17Z)
• Adaptive Label Smoothing To Regularize Large-Scale Graph Training [46.00927775402987]
  本研究では, 適応ラベル平滑化法 (ALS) を提案する。 ALSはノードラベルを伝播して、前処理ステップで近隣ラベルの分布を集約し、その後、最適なスムーズなラベルをオンラインで更新して、特定のグラフ構造に適合させる。
  論文  参考訳（メタデータ） (2021-08-30T23:51:31Z)
• GNN-XML: Graph Neural Networks for Extreme Multi-label Text Classification [23.79498916023468]
  extreme multi-label text classification (xmtc) は、非常に大きなラベルセットから最も関連するラベルのサブセットでテキストインスタンスをタグ付けすることを目的としている。 GNN-XMLはXMTC問題に適したスケーラブルなグラフニューラルネットワークフレームワークである。
  論文  参考訳（メタデータ） (2020-12-10T18:18:34Z)
• A Study on the Autoregressive and non-Autoregressive Multi-label Learning [77.11075863067131]
  本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。 したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
  論文  参考訳（メタデータ） (2020-12-03T05:41:44Z)
• Adversarial Knowledge Transfer from Unlabeled Data [62.97253639100014]
  本稿では,インターネット規模の未ラベルデータから知識を伝達し,分類器の性能を向上させるための新しいAdversarial Knowledge Transferフレームワークを提案する。 我々の手法の重要な新しい側面は、ラベル付けされていないソースデータは、ラベル付けされたターゲットデータと異なるクラスであることができ、個別のプリテキストタスクを定義する必要がないことである。
  論文  参考訳（メタデータ） (2020-08-13T08:04:27Z)

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。