論文の概要: Classification-oriented adaptive sensing via posterior sampling

• arxiv url: http://arxiv.org/abs/2609.21812v1
• Date: Fri, 18 Sep 2026 14:21:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.140542
• Title: Classification-oriented adaptive sensing via posterior sampling
• Title（参考訳）: 後部サンプリングによる分類指向適応センシング
• Abstract要約: クラス条件ガウス混合モデルの閉形式後続共分散を動機とする分類駆動拡張を導入する。 その結果, 分類精度, 測定コスト, 再建品質を, 再建指向のものと比較した。
• 参考スコア（独自算出の注目度）: 5.786013556804502
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in diffusion models have enabled high-performance, instance-adaptive compressed sensing through posterior sampling, without task-specific policy training. Existing methods select sensing probes by maximizing total posterior signal variance and are therefore primarily reconstruction-driven. We introduce a classification-driven extension motivated by the closed-form posterior covariance of a class-conditional Gaussian mixture model, which decomposes into within-class and between-class uncertainty. Using calibrated soft classifier outputs, we estimate these uncertainty terms from diffusion posterior samples and propose a classification-oriented criterion for selecting the dominant sensing direction in the unmeasured subspace. Experiments on MNIST and CIFAR-10 compare the resulting classification accuracy, measurement cost, and reconstruction quality with those of reconstruction-oriented counterparts. The results identify regimes in which semantic posterior uncertainty yields a more favorable classification--measurement trade-off and quantify the associated reconstruction cost.
• Abstract（参考訳）: 近年の拡散モデルにより,タスク固有の政策トレーニングを使わずに,後部サンプリングによる高性能なインスタンス適応型圧縮センシングが可能となった。 既存の検出方法は、全後部信号のばらつきを最大化し、主に再構成駆動のプローブを選択する。 本稿では,クラス内およびクラス間不確実性に分解するクラス条件付きガウス混合モデルの閉形式後続共分散を動機とする分類駆動拡張を提案する。 キャリブレーションされたソフト分類器の出力を用いて、拡散後サンプルからこれらの不確かさ項を推定し、未測定部分空間における支配的な知覚方向を選択するための分類指向の基準を提案する。 MNISTとCIFAR-10の実験は、その結果の分類精度、測定コスト、復元品質を再構成指向のものと比較した。 その結果,セマンティックな後続不確実性がより有利な分類をもたらす体制を特定し,関連する再建コストを定量化する。

関連論文リスト

• Activation-Space Uncertainty Quantification for Pretrained Networks [2.001149416674759]
  本稿では,ベイズモデリングをウェイトからアクティベーションにシフトさせるポストホック法であるガウス過程活性化(GAPA)を紹介する。 GAPAは標準的な非線形性を、後部平均が元のアクティベーションと正確に一致するアクティベーションに置き換え、構築によるバックボーンのポイント予測を保存する。 現代のアーキテクチャにスケールするために、キャッシュされたトレーニングアクティベーションに対するスパース変分誘導点近似と、ローカルk-アレスト近傍条件の組み合わせを用いる。
  論文  参考訳（メタデータ） (2026-02-16T17:17:08Z)
• Robust Depth Super-Resolution via Adaptive Diffusion Sampling [32.09035309959689]
  AdaDSは任意の劣化した入力から高分解能深度マップを頑健に復元する。 AdaDSはガウス平滑化の収縮特性に乗じている。 実世界および合成ベンチマークの実験は、AdaDSの優れたゼロショット一般化を実証している。
  論文  参考訳（メタデータ） (2026-02-10T08:10:02Z)
• Latent Enhancing AutoEncoder for Occluded Image Classification [2.6217304977339473]
  LEARN: Latent Enhancing feature Reconstruction Networkを紹介する。 オートエンコーダベースのネットワークで、頭の前に分類モデルに組み込むことができる。 OccludedPASCAL3D+データセットでは、提案されたLEARNが標準分類モデルより優れている。
  論文  参考訳（メタデータ） (2024-02-10T12:22:31Z)
• Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
  近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。 この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
  論文  参考訳（メタデータ） (2024-02-03T13:35:39Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Adaptive Dimension Reduction and Variational Inference for Transductive Few-Shot Classification [2.922007656878633]
  適応次元の削減によりさらに改善された変分ベイズ推定に基づく新しいクラスタリング法を提案する。 提案手法は,Few-Shotベンチマークにおける現実的非バランスなトランスダクティブ設定の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-09-18T10:29:02Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Tomographic Auto-Encoder: Unsupervised Bayesian Recovery of Corrupted Data [4.725669222165439]
  破損したデータの教師なし回復のための新しい確率的手法を提案する。 劣化したサンプルの大規模なアンサンブルを考慮し,クリーンな値の正確な後部を復元する。 我々は、欠落した値とノイズの共通の設定の下で、データリカバリタスクでモデルをテストします。
  論文  参考訳（メタデータ） (2020-06-30T16:18:16Z)
• Open-Set Recognition with Gaussian Mixture Variational Autoencoders [91.3247063132127]
  推論において、オープンセット分類は、サンプルをトレーニングから既知のクラスに分類するか、未知のクラスとして拒絶するかのどちらかである。 我々は,協調的に再構築を学習し,潜在空間におけるクラスベースのクラスタリングを行うよう,我々のモデルを訓練する。 我々のモデルは、より正確で堅牢なオープンセット分類結果を実現し、平均的なF1改善率は29.5%である。
  論文  参考訳（メタデータ） (2020-06-03T01:15:19Z)

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。