Fugu-MT 論文翻訳(概要): Subdomain-aware representation compression for pretrained image embeddings

論文の概要: Subdomain-aware representation compression for pretrained image embeddings

arxiv url: http://arxiv.org/abs/2609.20213v1
Date: Sun, 26 Jul 2026 03:29:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.637172
Title: Subdomain-aware representation compression for pretrained image embeddings
Title（参考訳）: 事前学習画像埋め込みのためのサブドメイン認識表現圧縮
Abstract要約: 本稿では,部分領域表現圧縮における次元削減手法の適用可能性について検討する。結果として、エッジデバイスMLアプリケーションにとって、空間と複雑さの期待された改善が示される。また,圧縮表現を用いた伝達学習の実証実験を行った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Dimensionality reduction is a well-known technique for improving space efficiency, typically applied uniformly across an entire dataset. This paper investigates the possibilities of using dimensionality reduction techniques for subdomain representation compression. We explore standard techniques such as Principal Component Analysis (PCA) and Linear discriminant analysis (LDA) in image domains. The results not only demonstrate the expected improvements in space and computation complexity crucial for edge-device ML applications but also show improvements in accuracy over direct full-embedding procedure. One possible explanation is that dimensionality reduction effectively extracts subdomain features. We also performed experiments to demonstrate transfer learning capabilities using the compressed representations.
Abstract（参考訳）: 次元の減少は、通常、データセット全体にわたって一様に適用される、空間効率を改善するためのよく知られたテクニックである。本稿では,部分領域表現圧縮における次元削減手法の適用可能性について検討する。画像領域における主成分分析(PCA)や線形識別分析(LDA)などの標準手法について検討する。その結果、エッジデバイスMLアプリケーションに不可欠な空間と計算の複雑さの改善が期待されるだけでなく、直接埋め込み処理よりも精度の向上が示された。 1つの説明として、次元の減少はサブドメインの特徴を効果的に抽出する。また,圧縮表現を用いた伝達学習の実証実験を行った。

関連論文リスト

Learning in Low-Dimensional Subspaces: Orthogonal Bottlenecks for Reinforcement Learning [47.218458651895766]
低次元部分空間にエンコーダ特徴を制約するために固定正則射影を挿入する表現レベル前処理を提案する。線形実現可能性仮定の下では、ボトルネック次元が特徴空間における最適値関数の内在的なランクを超えた場合、ボトルネックは表現性を保存する。シングルタスクとマルチタスクのベンチマークで、ボトルネック次元がタスク依存のしきい値を超えると、ベースラインのパフォーマンスが一致または改善されることがわかった。
論文参考訳（メタデータ） (2026-05-25T16:31:33Z)
Multi-Dimensional Visual Data Recovery: Scale-Aware Tensor Modeling and Accelerated Randomized Computation [51.65236537605077]
我々は,新しいタイプのネットワーク圧縮最適化手法,完全ランダム化テンソルネットワーク圧縮(FCTN)を提案する。 FCTNは多次元データ処理と解析において顕著な業績を残している。定式化モデルの解法を保証した効率的なアルゴリズムを導出する。
論文参考訳（メタデータ） (2026-02-13T14:56:37Z)
FRE: A Fast Method For Anomaly Detection And Segmentation [5.0468312081378475]
本稿では,視覚異常検出とセグメンテーション問題を解決するための原理的アプローチを提案する。本稿では,事前学習したDNNが生み出す中間特性に対する線形統計量次元削減手法の適用について述べる。高次元空間における原特徴と低次元縮小埋め込みの前像との差の$ell$-normのEmphfeature reconstruction error (FRE) が異常検出に極めて有効であることを示す。
論文参考訳（メタデータ） (2022-11-23T01:03:20Z)
Laplacian-based Cluster-Contractive t-SNE for High Dimensional Data Visualization [20.43471678277403]
本稿では t-SNE に基づく新しいグラフベース次元削減手法 LaptSNE を提案する。具体的には、LaptSNEはグラフラプラシアンの固有値情報を利用して、低次元埋め込みにおけるポテンシャルクラスタを縮小する。ラプラシアン合成目的による最適化を考える際には、より広い関心を持つであろう勾配を解析的に計算する方法を示す。
論文参考訳（メタデータ） (2022-07-25T14:10:24Z)
Subspace Modeling for Fast Out-Of-Distribution and Anomaly Detection [5.672132510411465]
本稿では、ディープニューラルネットワーク(DNN)における異常および分布外サンプルを検出するための原則的アプローチを提案する。本稿では,DNN が生成する意味的特徴に対する線形統計量次元削減手法の適用を提案する。高次元空間における原特徴と低次元縮小埋め込みの前像との差の$ell$-normの「機能再構成誤差」(FRE)はOODと異常検出に極めて有効であることを示す。
論文参考訳（メタデータ） (2022-03-20T00:55:20Z)
Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
論文参考訳（メタデータ） (2022-02-11T13:51:30Z)
Topology-Preserving Dimensionality Reduction via Interleaving Optimization [10.097180927318703]
本稿では, インターリーブ距離を最小化する最適化手法を次元還元アルゴリズムに組み込む方法について述べる。データビジュアライゼーションにおけるこのフレームワークの有用性を実証する。
論文参考訳（メタデータ） (2022-01-31T06:11:17Z)
Graph Embedding via High Dimensional Model Representation for Hyperspectral Images [9.228929858529678]
リモートセンシング画像の多様体構造を学習することは、モデリングおよび理解プロセスにおける最重要事項である。ハイパスペクトル画像解析(HSI)に対処するためのマナーラーニング手法は優れた性能を示した。この問題に対処する一般的な仮定は、高次元の入力空間と(典型的には低い)潜在空間の間の変換が線型であるということである。提案手法は,その線形学習法とともに多様体学習法と比較し,代表的ハイパースペクトル画像の分類精度の観点から有望な性能を実現する。
論文参考訳（メタデータ） (2021-11-29T16:42:15Z)
Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。 DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
論文参考訳（メタデータ） (2021-06-14T17:19:44Z)
Invariant Deep Compressible Covariance Pooling for Aerial Scene Categorization [80.55951673479237]
本研究では,空気シーン分類におけるニュアンス変動を解決するために,新しい不変な深部圧縮性共分散プール (IDCCP) を提案する。本研究では,公開空間画像データセットに関する広範な実験を行い,最先端の手法と比較して,この手法の優位性を実証する。
論文参考訳（メタデータ） (2020-11-11T11:13:07Z)
Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction [48.73525876467408]
本稿では,超スペクトル部分空間解析のための新しい手法を提案する。この手法はジョイント・アンド・プログレッシブ・サブスペース分析(JPSA)と呼ばれる。 2つの広帯域超スペクトルデータセットに対して提案したJPSAの優位性と有効性を示す実験を行った。
論文参考訳（メタデータ） (2020-09-21T16:29:59Z)

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。