論文の概要: Skeletal Prototypes on Iterative Nerve Expansions

• arxiv url: http://arxiv.org/abs/2609.16170v1
• Date: Mon, 14 Sep 2026 18:07:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.171029
• Title: Skeletal Prototypes on Iterative Nerve Expansions
• Title（参考訳）: 反復神経伸展の骨格的プロトタイプ
• Abstract要約: 反復神経拡張(SPINE)に関する骨格的プロトタイプを提案する。 各クラスのモデルは、点集合ではなく、埋め込み1-複素体である。 SPINEは最高平均精度と最高平均ランクを達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Prototype reduction replaces a training set with a smaller representation, and the established methods return a finite set of points. We propose Skeletal Prototypes on Iterative Nerve Expansions (SPINE). The model for each class is an embedded 1-complex rather than a point set. Its initial edge set is a class-conditional Mapper graph, so the data decide which localized clusters are joined. Later phases fit the vertices under a classification objective, and an observation is assigned to the class whose complex is nearest. The segments therefore enter the decision rule and not only the fitting. We evaluate SPINE on seventeen benchmark datasets under stratified 10-fold cross validation, against seven other prototype reduction methods at a matched budget. SPINE attains the highest mean accuracy and the best average rank. It is significantly better than five of the seven competitors under Wilcoxon signed-rank tests with Holm correction. A budget sweep shows that the decision rule using the entire graph segments contribute most when prototypes are scarce, while the method as a whole competes best at moderate budgets. Construction cost places SPINE with the discriminative methods, and it is faster than generalized learning vector quantization on fourteen of the seventeen datasets.
• Abstract（参考訳）: プロトタイプ還元は、トレーニングセットをより小さな表現で置き換え、確立されたメソッドは有限個の点を返す。 本稿では,反復神経拡張(SPINE)に関する骨格プロトタイプを提案する。 各クラスのモデルは、点集合ではなく、埋め込み1-複素体である。 その初期エッジセットはクラス条件のMapperグラフであるため、データはどのローカライズされたクラスタが結合されているかを決定する。 後続の位相は、分類対象の頂点に適合し、複素数が最も近いクラスに観察が割り当てられる。 したがって、セグメントはフィッティングだけでなく決定ルールに入る。 階層化された10倍のクロスバリデーションの下で,SPINEを17個のベンチマークデータセット上で評価し,他の7つのプロトタイプ削減手法を一致した予算で評価した。 SPINEは最高平均精度と最高平均ランクを達成する。 ウィルコクソン(Wilcoxon)が署名した7つの競合相手のうち5つよりも、ホルムの修正で大幅に優れている。 予算スイープは、プロトタイプが不足している場合、グラフセグメント全体を用いた決定ルールが最も役立ち、全体としては適度な予算で最良であることを示している。 建設コストは差別的手法でSPINEを配置し、17のデータセットのうち14の一般的な学習ベクトル量子化よりも高速である。

関連論文リスト

• ProtoGuide: Prototype-Driven Guidance for Class-Conditional Graph Generation [10.378378296066305]
  プロトギターは勾配を持つフリーズモデルを操るが、離散グラフ拡散は離散エッジ状態をサンプリングするので、勾配はサンプルグラフを伝播することができない。 現実世界のネットワークと2つの異なるバックボーンの5つのクラスにおいて、ProtoGuideはマクロ分類の精度を50.7%から73.5%に引き上げ、73.6%から83.8%に引き上げ、私たちの構成下でのDiGressの組み込み条件トレーニングより優れている。
  論文  参考訳（メタデータ） (2026-09-14T08:57:08Z)
• LegoQ: Density-Matrix Representation Learning with Spectral-Spatial State Transitions for Hyperspectral Classification [39.58966970890936]
  本稿では,ハイパースペクトル画像のための古典的密度行列表現学習フレームワークを提案する。 スペクトル帯は群に分けられ、各群は正の半定値、エルミート、トレース正規化行列状態にマッピングされる。 スペクトル、空間、およびグループ間の遷移からなる構成可能なスタックは、有効状態セットに繰り返し投影しながら状態を更新する。 その結果、量子ハードウェアを必要とせず、ベクトルのみのハイパースペクトル分類の実用的な代替として制約行列状態学習が支持された。
  論文  参考訳（メタデータ） (2026-07-31T02:47:16Z)
• One-Shot Data Selection for Medical Image Classification via Graph Coverage [1.7518795691624354]
  そこで本研究では,凍結基礎モデルの埋め込みに完全に依存するグラフベースのワンショット選択法を提案する。 病理組織学,放射線学,顕微鏡の5つのMedMNISTデータセットについて検討した。
  論文  参考訳（メタデータ） (2026-06-20T11:54:03Z)
• DISCO: Diversifying Sample Condensation for Efficient Model Evaluation [59.01400190971061]
  コスト評価は傾向を低下させ、イノベーションのサイクルを遅くし、環境への影響を悪化させる。 モデル応答の多様性を最大化するサンプルを選択することが重要となる。 我々のメソッドである$textbfDiversifying Sample Condensation (DISCO)$は、最も大きなモデル不一致を持つトップkサンプルを選択します。
  論文  参考訳（メタデータ） (2025-10-09T08:53:59Z)
• How hard is learning to cut? Trade-offs and sample complexity [9.721177829831316]
  両スコアに有効である新しいサンプル複雑性の低い境界を示す。 我々は、インスタンスをカットにマッピングする幅広いクラスの$mathcalF$に対して、それらのスコアを最小化するためにインスタンスの未知の分布を学習するには、同じクラス関数から学ぶのと同じくらい多くのサンプル(乗法定数まで)が必要であることを示す。 我々の結果は、制限されたカットセット、すなわちSimplex tableauから学習するケースにも及んでいる。
  論文  参考訳（メタデータ） (2025-05-30T21:41:01Z)
• Semi-Supervised Laplace Learning on Stiefel Manifolds [48.3427853588646]
  グラフベースで教師付きサンプルを低ラベルレートで作成するためのフレームワークSequential Subspaceを開発した。 我々の手法は極めて低いレートで、高いラベルレートで達成できる。
  論文  参考訳（メタデータ） (2023-07-31T20:19:36Z)
• Characterizing the Optimal 0-1 Loss for Multi-class Classification with a Test-time Attacker [57.49330031751386]
  我々は,任意の離散データセット上の複数クラス分類器に対するテスト時間攻撃の存在下での損失に対する情報理論的下位境界を求める。 本稿では,データと敵対的制約から競合ハイパーグラフを構築する際に発生する最適0-1損失を求めるための一般的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-02-21T15:17:13Z)
• Neural Collapse Inspired Feature-Classifier Alignment for Few-Shot Class Incremental Learning [120.53458753007851]
  FSCIL(Few-shot class-incremental Learning)は、新しいセッションにおいて、新しいクラスごとにいくつかのトレーニングサンプルしかアクセスできないため、難しい問題である。 我々は最近発見された神経崩壊現象にインスパイアされたFSCILのこの不整合ジレンマに対処する。 我々は、FSCILのための神経崩壊誘発フレームワークを提案する。MiniImageNet、CUB-200、CIFAR-100データセットの実験により、提案したフレームワークが最先端のパフォーマンスより優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-06T18:39:40Z)
• Prediction Calibration for Generalized Few-shot Semantic Segmentation [101.69940565204816]
  汎用Few-shot Semantic (GFSS) は、各画像ピクセルを、豊富なトレーニング例を持つベースクラスか、クラスごとにわずかに(例: 1-5)のトレーニングイメージを持つ新しいクラスのいずれかに分割することを目的としている。 我々は、融合したマルチレベル機能を用いて、分類器の最終予測をガイドするクロスアテンションモジュールを構築する。 私たちのPCNは、最先端の代替品よりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2022-10-15T13:30:12Z)
• Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
  学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。 我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。 この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
  論文  参考訳（メタデータ） (2022-03-28T21:15:32Z)
• Relieving Long-tailed Instance Segmentation via Pairwise Class Balance [85.53585498649252]
  長い尾のインスタンスセグメンテーションは、クラス間のトレーニングサンプルの極端な不均衡のために難しいタスクである。 尾のついたものに対して、(大多数のサンプルを含む)ヘッドクラスの深刻なバイアスを引き起こす。 そこで本研究では,学習中の予測嗜好を蓄積するために,学習中に更新される混乱行列上に構築された新しいPairwise Class Balance(PCB)手法を提案する。
  論文  参考訳（メタデータ） (2022-01-08T07:48:36Z)
• SetConv: A New Approach for Learning from Imbalanced Data [29.366843553056594]
  集合畳み込み操作とエピソード学習戦略を提案し,各クラスに1つの代表を抽出する。 提案アルゴリズムは入力順序に関わらず置換不変であることを示す。
  論文  参考訳（メタデータ） (2021-04-03T22:33:30Z)

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。