論文の概要: HyDI: A hybrid Deep Learning-Inductive Logic Programming ensemble for multi-label classification

• arxiv url: http://arxiv.org/abs/2609.37740v1
• Date: Tue, 29 Sep 2026 14:56:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.652489
• Title: HyDI: A hybrid Deep Learning-Inductive Logic Programming ensemble for multi-label classification
• Title（参考訳）: HyDI: マルチラベル分類のためのハイブリッドディープラーニング-帰納的論理プログラミングアンサンブル
• Abstract要約: HyDIは階層型マルチラベル分類のためのハイブリッドアンサンブルアーキテクチャである。 Inductive Logic Programming(ILP)によって生成されるルールベースの分類器と、Deep Learning(DL)モデルを組み合わせる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While attaining remarkable results for many applications, Deep Learning models are notoriously difficult to explain. This work introduces HyDI, a hybrid ensemble architecture for hierarchical multi-label classification. It combines a Deep Learning (DL) model with rule-based classifiers generated by Inductive Logic Programming (ILP). For leaf classes of the label hierarchy, the rule-based classifiers replace the DL model, leading to more transparent classification results. HyDI is applied to the Chemical Entities of Biological Interest (ChEBI) ontology, providing ILP-generated rules for 314 classes. For these classes, HyDI can generate global explanations as well as local explanations that combine visual and text-based descriptions.
• Abstract（参考訳）: 多くのアプリケーションで顕著な結果を得る一方で、ディープラーニングモデルは説明が難しいことで知られている。 階層型マルチラベル分類のためのハイブリッドアンサンブルアーキテクチャであるHyDIを導入する。 ディープラーニング(DL)モデルとインダクティブロジックプログラミング(ILP)が生成するルールベースの分類器を組み合わせる。 ラベル階層の葉クラスでは、ルールベースの分類器がDLモデルを置き換え、より透過的な分類結果をもたらす。 HyDIはChEBIオントロジー(ChEBI)に応用され、314のクラスに対してILP生成規則を提供する。 これらのクラスでは、HyDIは、ビジュアルとテキストベースの記述を組み合わせた、グローバルな説明とローカルな説明を生成することができる。

関連論文リスト

• Tensor Network Machine Learning for Wildfire Susceptibility Mapping: from Grokking Dynamics to Quantum Mixedness of Class Representations [53.66343110413339]
  ガルガノ地域の山火事感受性分類のための量子インスピレーション付きテンソルネットワークフレームワークについて紹介する。 このアプローチは、スケーラブルな地理空間表現と解釈可能な量子マスクを組み合わせることで、バイナリとマルチクラスの両方の分類を可能にする。
  論文  参考訳（メタデータ） (2026-07-21T18:30:50Z)
• Taxonomy-Aware Representation Alignment for Hierarchical Visual Recognition with Large Multimodal Models [47.868429337792314]
  高パフォーマンスで汎用的な視覚理解モデルは、ラベルの分類木に視覚入力をマッピングすべきである。 我々は,分類学的知識をLMMに注入する簡易かつ効果的な方法として,分類学的認識表現アライメント(TARA)を提案する。 TARAはLMMの階層的一貫性と葉ノードの精度を一貫して強化し、既知のカテゴリと新しいカテゴリの両方を確実に認識する。
  論文  参考訳（メタデータ） (2026-02-28T03:13:15Z)
• 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)
• Bidirectional Logits Tree: Pursuing Granularity Reconcilement in Fine-Grained Classification [89.20477310885731]
  本稿では,粒度分類タスクにおけるグラニュラリティコンペティションの課題について述べる。 既存のアプローチは通常、共通のベースエンコーダから抽出された共有特徴に基づいて、独立した階層認識モデルを開発する。 グラニュラリティ再構成のための双方向ロジットツリー(BiLT)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-17T10:42:19Z)
• HMIL: Hierarchical Multi-Instance Learning for Fine-Grained Whole Slide Image Classification [10.203984731917851]
  全スライド画像(WSI)のきめ細かい分類は、正確な癌診断とパーソナライズされた治療戦略を可能にする、精密腫瘍学において不可欠である。 マルチインスタンス学習(MIL)パラダイムはWSIの計算負担を軽減するが、既存のMIL手法は階層的なラベル相関を無視することが多い。 本稿では,これらの制約を克服する新しい階層型マルチインスタンス学習(HMIL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-12T09:22:00Z)
• How to Make LLMs Strong Node Classifiers? [70.14063765424012]
  言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。 本稿では,ノード分類タスクにおける最先端(SOTA)GNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-03T08:27:54Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• LasUIE: Unifying Information Extraction with Latent Adaptive Structure-aware Generative Language Model [96.889634747943]
  全ての典型的な情報抽出タスク(UIE)を1つの生成言語モデル(GLM)で普遍的にモデル化し、大きな可能性を明らかにした。 UIE のための構文知識のパワーを完全に解放する構造対応 GLM を提案する。 7つのタスクにわたるIEベンチマークが12以上あり、私たちのシステムはベースラインのUIEシステムよりも大幅に改善されていることを示しています。
  論文  参考訳（メタデータ） (2023-04-13T04:01:14Z)
• Priberam Labs at the NTCIR-15 SHINRA2020-ML: Classification Task [2.0985487163597147]
  ShiNRA 2020-MLタスクは、ウィキペディアページを利用して、対応するエンティティを268階層のカテゴリに分類する。 BERTが生み出す文脈的埋め込みに基づく3つのモデルを提案する。 微調整のプロセスでは見られないものを含め、さまざまな言語で優れたパフォーマンスを実現できたのです。
  論文  参考訳（メタデータ） (2021-05-12T11:49:19Z)

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。