論文の概要: Category-Based MLM: Unifying Powertypes with Superclasses
- arxiv url: http://arxiv.org/abs/2609.28810v1
- Date: Wed, 23 Sep 2026 21:43:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.575336
- Title: Category-Based MLM: Unifying Powertypes with Superclasses
- Title（参考訳）: カテゴリーベースMLM:スーパークラスでパワータイプを統合する
- Abstract要約: 本稿では、カテゴリクラスが2つのスーパークラスとパワータイプファセットを持つカテゴリベース(CatMLM)モデルを提案する。
この区別はレベルの役割を明確にし、レベル付けの定量化基準を提供し、サブクラスとインスタンスオブリレーションの間の決定を与える。
- 参考スコア（独自算出の注目度）: 0.4078247440919473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: MultiLevel software Modeling (MLM) suggests that conceptual modeling in broad subject domains might require abstraction of multiple classification levels. The MLM approach relies on philosophical arguments, claiming that faithful modeling of real-world domains involves repeated type classification as in ontologies of natural kinds. MLM leveled architecture is interwoven and defined by instance-of interlevel relationships between clabject classes in lower levels to classes termed category classes, in upper levels. The instance-of relation denotes membership of clabjects as type objects in their (powertypes) category classes, and is not transitive. All MLM approaches support forms of deep characterization, i.e., category classes can influence classes in lower levels. Deep characterization is an essential feature of superclasses and contradicts the non-transitive membership meaning of instance-of. In this paper, we introduce the Category-Based MLM (CatMLM) model, in which category classes have dual superclass and powertype facets, based on the distinction between category features that do not participate in deep characterization, and object features that do. This distinction clarifies the role of levels, provides a clear quantifiable criterion for leveling, and yields a decision rule between the subclass and instance-of relations. The contribution of this paper is to introduce a well-defined MLM model that (1) is based on simple, quantifiable level decisions; (2) clarifies how leveling emerges from domain needs; and (3) analyzes gains and losses of MLM vs. plain OO modeling.
- Abstract（参考訳）: MultiLevel Software Modeling (MLM) は、幅広い分野における概念モデリングは複数の分類レベルを抽象化する必要があることを示唆している。
MLMのアプローチは哲学的な議論に依存し、現実世界の領域の忠実なモデリングは自然種のオントロジーのように繰り返し型分類を伴うと主張する。
MLM レベルのアーキテクチャは、下位レベルにおけるクラブオブジェクトクラスと上位レベルにおけるクラスと呼ばれるクラスの間のインスタンス-オブ-レベルの関係によって、相互織り合わされ、定義される。
インスタンス・オブ・リレーション(英: instance-of relation)は、クラブオブジェクトのメンバシップを、(パワータイプ)圏クラスにおけるタイプオブジェクトとして表現し、推移的ではない。
すべてのMLMアプローチは、ディープ・キャラクタリゼーションの形式をサポートする。
ディープ・キャラクタリゼーションはスーパークラスの本質的な特徴であり、インスタンスの非推移的メンバシップの意味に矛盾する。
本稿では,カテゴリクラスが双対スーパークラスとパワータイプファセットを持つカテゴリーベースMLM(CatMLM)モデルについて,深い特徴付けに関与しないカテゴリ特徴とそれを行うオブジェクト特徴の区別に基づいて紹介する。
この区別はレベルの役割を明確にし、レベル付けの定量化基準を提供し、サブクラスとインスタンス・オブ・リレーションの間の決定ルールを与える。
本稿では,(1)単純で定量的なレベル決定に基づくMDMモデルの導入,(2)ドメインニーズからレベル付けがどのように現れるかを明らかにすること,(3)MLMの利得と損失を分析することを目的とする。
関連論文リスト
- Towards Adaptive Open-Set Object Detection via Category-Level Collaboration Knowledge Mining [54.999230823851384]
既存のオブジェクト検出器は、新しいカテゴリに適応しながら、ドメインをまたいだ一般化に苦慮することが多い。
ドメイン間のクラス間関係とクラス内関係を両立させる,カテゴリレベルの協調知識マイニング戦略を提案する。
我々の手法は、最先端の AOOD 法を 1.1-5.5 mAP で一貫して上回っている。
論文 参考訳（メタデータ） (2026-04-13T08:51:01Z) - Language-driven Fine-grained Retrieval [56.619978313798875]
LaFGは、Fine-Grained Retrievalのための言語駆動フレームワークである。
クラス名を大きな言語モデルと視覚言語モデルを使用して属性レベルの監視に変換する。
グローバルプロンプトテンプレートは、カテゴリ固有の言語プロトタイプに集約されたカテゴリ関連属性を選択する。
論文 参考訳（メタデータ） (2025-12-06T02:56:55Z) - A class-driven hierarchical ResNet for classification of multispectral remote sensing images [12.282079123411947]
本稿では,異なる意味クラスレベルでのマルチスペクトル画像の時系列(TS)分類をモデル化するために,クラス駆動型階層型残留ニューラルネットワーク(ResNet)を提案する。
我々は、階層的なペナルティマップを利用して、分類の非一貫性な階層的遷移を阻止する。
センチネル2号画像の月12回の合成でアマゾン林の2つのタイルから得られた実験結果から,階層的アプローチの有効性が示された。
論文 参考訳（メタデータ） (2025-10-09T10:47:52Z) - Feature Identification for Hierarchical Contrastive Learning [7.655211354400059]
本稿では,2つの新しい階層型コントラスト学習法を提案する。
提案手法は,階層レベルのクラス間関係と不均衡なクラス分布を明示的にモデル化する。
提案手法は,線形評価における最先端性能を実現し,既存の階層的コントラスト学習法を精度で2ポイント向上させる。
論文 参考訳（メタデータ） (2025-10-01T12:46:47Z) - Hierarchical Representation Matching for CLIP-based Class-Incremental Learning [80.2317078787969]
クラスインクリメンタルラーニング(Class-Incremental Learning, CIL)は、進化するデータストリームに継続的に適応可能なモデルを提供することを目的とする。
事前訓練された視覚言語モデル(例えばCLIP)の最近の進歩は、このタスクの強力な基盤を提供する。
本稿では,CLIPベースのCILのためのHiErarchical Representation MAtchiNg(HERMAN)を紹介する。
論文 参考訳（メタデータ） (2025-09-26T17:59:51Z) - Leveraging Taxonomy and LLMs for Improved Multimodal Hierarchical Classification [19.80724112056431]
マルチモーダル分類のための分類組込み遷移LLM非依存フレームワークを提案する。
MEP-3Mデータセットを用いた評価では,従来のLCM構造と比較して,大幅な性能向上が見られた。
論文 参考訳（メタデータ） (2025-01-12T14:43:06Z) - Category-Adaptive Cross-Modal Semantic Refinement and Transfer for Open-Vocabulary Multi-Label Recognition [59.203152078315235]
本稿では,カテゴリ適応型クロスモーダル・セマンティック・リファインメント・アンド・トランスファー(C$2$SRT)フレームワークを提案する。
提案するフレームワークは,2つの相補的モジュール,すなわち,カテゴリ内セマンティックリファインメント(ISR)モジュールと,カテゴリ間セマンティックトランスファー(IST)モジュールから構成される。
OV-MLRベンチマークの実験は、提案されたC$2$SRTフレームワークが現在の最先端アルゴリズムより優れていることを明らかに示している。
論文 参考訳（メタデータ） (2024-12-09T04:00:18Z) - Ranking hierarchical multi-label classification results with mLPRs [4.869182515096001]
与えられたクラス階層に固執しながら、参加者の少ない第2段階の質問に焦点を合わせます。
CATCHと呼ばれる新しい目的関数を導入し、適切な分類性能を確保する。
提案手法は,合成データセットと2つの実データセットを用いて評価した。
論文 参考訳（メタデータ） (2022-05-16T17:43:35Z) - Semantic Representation and Dependency Learning for Multi-Label Image
Recognition [76.52120002993728]
本稿では,各カテゴリのカテゴリ固有のセマンティック表現を学習するための,新しい,効果的なセマンティック表現と依存性学習(SRDL)フレームワークを提案する。
具体的には,カテゴリー別注意領域(CAR)モジュールを設計し,チャネル/空間的注意行列を生成してモデルを導出する。
また、カテゴリ間のセマンティック依存を暗黙的に学習するオブジェクト消去(OE)モジュールを設計し、セマンティック認識領域を消去する。
論文 参考訳（メタデータ） (2022-04-08T00:55:15Z) - Modified our paper "CME" [1.52292571922932]
本論文は著者によって誤りにより修正されている。
毎週のNewsquizを使って、CNN.comで見たストーリーの知識をテストする。
論文 参考訳（メタデータ） (2021-03-08T09:04:03Z)
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。