論文の概要: A Kernel-Based Modular Discriminant Analysis Framework for Small-Sample Learning

• arxiv url: http://arxiv.org/abs/2609.09910v1
• Date: Wed, 09 Sep 2026 09:08:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.962193
• Title: A Kernel-Based Modular Discriminant Analysis Framework for Small-Sample Learning
• Title（参考訳）: カーネルに基づく小サンプル学習のためのモジュール識別分析フレームワーク
• Abstract要約: Kernelized Linear principal Component Discriminant Analysisは、最近提案されたモジュラーフレームワークであり、分散保存、クラス間分離性、およびカーネル空間内でのクラス内コンパクト性を統合している。 我々は,ハイパースペクトル画像分類,機械的故障診断,診断,顔認識など,複数の実世界のSSSタスクにまたがる7つのバリエーションの挙動を解析した。 分析の結果,3つの中核的目的の相互作用における一貫したパターンが明らかとなり,SSS設定における表現の安定化と識別の促進に果たす役割の統一的で解釈可能な理解が得られた。
• 参考スコア（独自算出の注目度）: 0.7085019074999286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The small-sample-size (SSS) problem remains a fundamental challenge in machine learning when labeled data are scarce due to cost, accessibility, or ethical constraints. While numerous approaches have been proposed, existing methods often struggle to maintain stable and discriminative representations under high-dimensional and limited-data conditions. Kernelized Linear Principal Component Discriminant Analysis (KLPCDA), a recently proposed modular framework, integrates variance preservation, inter-class separability, and intra-class compactness within a unified kernel space. Although its formulation has shown promising initial results, a systematic understanding of how its components interact across diverse SSS scenarios remains lacking. In this paper, we present a systematic cross-domain study of KLPCDA to characterize the interaction mechanisms among its core objectives. We analyze the behavior of its seven variants across multiple real-world SSS tasks, including hyperspectral image classification, mechanical fault diagnosis, medical diagnosis, and face recognition. Through extensive experiments and ablation studies, we investigate how different objective combinations influence performance under varying conditions such as noise, class imbalance, and high dimensionality. Our analysis reveals consistent patterns in the interaction of the three core objectives variance, between-class, and within-class terms, providing a unified and interpretable understanding of their roles in stabilizing representations and enhancing discrimination in SSS settings. Based on these findings, we further derive practical guidelines for selecting appropriate KLPCDA variants under different data characteristics. Experimental results demonstrate that KLPCDA achieves strong and robust performance across domains, while maintaining low computational complexity suitable for resource-constrained environments.
• Abstract（参考訳）: ラベル付きデータがコスト、アクセシビリティ、倫理的制約によって不足している場合、SSS(Small-sample-size)問題はマシンラーニングにおいて依然として根本的な課題である。 多くのアプローチが提案されているが、既存の手法は高次元および限定データ条件下での安定かつ差別的な表現を維持するのに苦労することが多い。 Kernelized Linear principal Component Discriminant Analysis (KLPCDA)は、最近提案されたモジュラーフレームワークであり、分散保存、クラス間分離性、およびカーネル空間内でのクラス内コンパクト性を統合している。 その定式化は有望な初期結果を示しているが、そのコンポーネントが様々なSSSシナリオ間でどのように相互作用するかについての体系的な理解はいまだに不足している。 本稿では,KLPCDAのドメイン間相互作用機構を解析し,その中核となる目的について述べる。 我々は,ハイパースペクトル画像分類,機械的故障診断,診断,顔認識など,複数の実世界のSSSタスクにまたがる7つのバリエーションの挙動を解析した。 広範にわたる実験とアブレーション研究を通じて,騒音,クラス不均衡,高次元といった様々な条件下での客観的組み合わせがパフォーマンスに与える影響について検討した。 分析の結果,3つの中核的目的の相互作用における一貫したパターンが明らかとなり,SSS設定における表現の安定化と識別の促進に果たす役割の統一的で解釈可能な理解が得られた。 これらの知見に基づいて、異なるデータ特性の下で適切なKLPCDA変種を選択するための実践的ガイドラインを導出する。 実験結果から,KLPCDAは資源制約環境に適した計算複雑性を保ちながら,ドメイン間での強靭かつ堅牢な性能を実現することが示された。

関連論文リスト

• A Deep Latent Variable Framework for Jointly Modeling Missingness, Measurement Error, and Heterogeneity [1.2716195762843876]
  本稿では, 欠落データ, 測定誤差, 集団の不均一性を両立する統一確率的枠組みを提案する。 提案手法は,新しい階層型木抽出変分オートエンコーダとパターン認識型潜在表現とキャリブレーションに基づく復調処理を統合した。 このフレームワークは、MCAR、MAR、MNARなどの欠落データメカニズムに対応し、サブグループ固有の、グローバルに共有される潜在構造を同時に学習する。
  論文  参考訳（メタデータ） (2026-08-30T20:56:57Z)
• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• Heterogeneous Uncertainty-Guided Composed Image Retrieval with Fine-Grained Probabilistic Learning [49.28548464288051]
  Composed Image Retrieval (CIR)は、参照画像と修正テキストを組み合わせることで、画像検索を可能にする。 CIR三重項の内在ノイズは内在的不確実性を引き起こし、モデルの堅牢性を脅かす。 本稿では,これらの制約を克服するための不確実性誘導(HUG)パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-01-16T16:05:49Z)
• Towards a more realistic evaluation of machine learning models for bearing fault diagnosis [0.28873930745906956]
  本稿では,振動を用いた軸受故障診断におけるデータ漏洩問題とそのモデル評価への影響について検討する。 本研究では, 軸受データ分割に着目したリークフリー評価手法を提案し, トレーニングやテストに使用する物理部品の重複を防止した。 CWRU、パダーボーン大学(PU)、オタワ大学(UORED-VAF)の3つの広く採用されているデータセットに対する方法論の評価を行った。
  論文  参考訳（メタデータ） (2025-09-26T12:35:02Z)
• Counterfactual Fairness through Transforming Data Orthogonal to Bias [7.109458605736819]
  我々は新しいデータ前処理アルゴリズムOrthogonal to Bias (OB)を提案する。 OBは、連続的な敏感な変数群の影響を排除し、機械学習アプリケーションにおける反ファクトフェアネスを促進するように設計されている。 OBはモデルに依存しないため、幅広い機械学習モデルやタスクに適用できる。
  論文  参考訳（メタデータ） (2024-03-26T16:40:08Z)
• Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
  本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。 本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
  論文  参考訳（メタデータ） (2024-02-14T16:10:42Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Constructive Incremental Learning for Fault Diagnosis of Rolling Bearings with Ensemble Domain Adaptation [6.7898797318208075]
  転がり軸受の故障診断は 様々な作業条件において 現実的な問題です。 外部環境の複雑さと転がり軸受の構造は、しばしばランダムさとファジネスによって特徴づけられる欠点を示す。 本稿では,CIL-EDA(Constructive Incremental Learning-based ensemble domain adapt)アプローチという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-29T02:23:58Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models [48.33685559041322]
  本稿では,同一変数集合上の2つ以上の関連するデータセットにおける因果メカニズムシフトの同定に焦点をあてる。 提案手法を実装したコードはオープンソースであり、https://github.com/kevinsbello/iSCAN.comで公開されている。
  論文  参考訳（メタデータ） (2023-06-30T01:48:11Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)
• Learning World Models with Identifiable Factorization [39.767120163665574]
  我々は、遅延状態変数の4つの異なるカテゴリをモデル化するために、IFactorを提案する。 我々の分析は、これらの潜伏変数のブロックワイド識別性を確立する。 本稿では,ブロックを識別して世界モデルを学習するための実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-06-11T02:25:15Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)

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。