論文の概要: HiER-BLS: A Hierarchy-Guided and Error-Correcting Robust Incremental Broad Learning System

• arxiv url: http://arxiv.org/abs/2610.05834v1
• Date: Mon, 05 Oct 2026 05:37:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 03:58:08.950065
• Title: HiER-BLS: A Hierarchy-Guided and Error-Correcting Robust Incremental Broad Learning System
• Title（参考訳）: HiER-BLS:階層型・誤り訂正ロバストインクリメンタルブロードラーニングシステム
• Abstract要約: Broad Learning System (BLS) は分析学習と漸進的な拡張をサポートする。 階層化誘導型表現成長と誤り訂正学習を併用するHiER-BLSを提案する。
• 参考スコア（独自算出の注目度）: 49.8459545291965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Broad Learning System (BLS) supports analytical training and incremental expansion, but its growth needs guidance on which inputs new blocks should learn from. Weight errors pose a further challenge by displacing learned outputs across class boundaries. We propose HiER-BLS to couple hierarchy-guided representation growth with error-correcting learning. Successive blocks focus on inputs selected by feature importance and correlation while preserving earlier representations. The evolving branch guides encoded learners through subspace size and sample confidence, so its learning experience informs both their feature views and supervision. For finite broad readouts, we show how codeword correlations transform fitted class scores. Prediction preservation depends on the distance from the actual output to the nearest decoding boundary relative to the model's sensitivity to weight errors. Experiments on five image and five tabular datasets demonstrate improved classification performance over representative BLS variants. Component studies show that hierarchy guidance benefits the encoded branch even when the guiding branch has lower standalone accuracy, with further gains from combining their scores. Longer codes continue to improve accuracy under stronger Gaussian weight errors after clean accuracy has largely saturated.
• Abstract（参考訳）: ブロードラーニングシステム(BLS)は分析トレーニングと漸進的な拡張をサポートするが、その成長には新しいブロックがどの入力から学ぶべきかのガイダンスが必要である。 重みのエラーは、学習した出力をクラス境界を越えて分解することでさらに困難を生じさせる。 階層化誘導型表現成長と誤り訂正学習を併用するHiER-BLSを提案する。 継承ブロックは、以前の表現を保存しながら、特徴の重要性と相関によって選択された入力に焦点を当てる。 進化するブランチガイドは,サブスペースサイズとサンプル信頼性を通じて学習者を符号化し,その学習体験は特徴ビューと監視の両方に通知する。 有限幅の読み出しに対して、コードワード相関が適合したクラススコアをどのように変換するかを示す。 予測保存は、実際の出力から最も近い復号境界までの距離と重み誤差に対するモデルの感度に依存する。 5つの画像と5つの表付きデータセットに対する実験は、代表的BLS変種よりも優れた分類性能を示した。 コンポーネントスタディでは、ガイドブランチがスタンドアローンの精度が低い場合でも、階層的ガイダンスがエンコードされたブランチの恩恵を受けており、スコアを組み合わせることでさらに利益が得られます。 より長い符号は、清潔な精度がほぼ飽和した後、より強いガウス重み誤差の下で精度を向上し続けている。

関連論文リスト

• NeuroGuard: Neural Gradient Update Aware of Representation Damage [2.1485350418225244]
  本稿では,リプレイベースのLT-CILベースラインに更新制御法であるNeuroGuardを提案する。 NeuroGuardはDGRのリプレイメモリ、分類器、損失項のセットを保存する。 比較手法の中では,タスク非依存の精度が最良である。
  論文  参考訳（メタデータ） (2026-08-08T11:13:15Z)
• Leveraging BART to Assess CS1 C++ Programming Assignments using Rubric-based Criteria [2.1843439591862333]
  本稿では,C++プログラムの代入を自動グレーディングするための変換器モデルのルーリック認識,マルチタスク微調整について検討する。 マルチセメスターCS1データを用いて、学生の応募は数値スコア、レターグレードバケット、代入ルーリックとペアリングされ、前処理され、トランスフォーマー入力のための統一シーケンスに変換される。 LoRA適応のBARTエンコーダデコーダは、数値グレードとグレードバケットを共同で予測し、予測されたグレードと経験的なグレードの分布を調整するために、分布マッチング項を付加するように訓練される。
  論文  参考訳（メタデータ） (2026-06-02T15:57:14Z)
• HSFM: Hard-Set-Guided Feature-Space Meta-Learning for Robust Classification under Spurious Correlations [25.503211313768062]
  本稿では,特徴空間で直接拡張を行う二段階メタラーニング手法を提案する。 ピクセル空間ではなくバックボーン出力で操作することで、この手法は非常に効率的で安定であり、1つのGPUで数分のトレーニングしか必要としない。
  論文  参考訳（メタデータ） (2026-03-31T06:32:56Z)
• Supervised Fine-Tuning or Contrastive Learning? Towards Better Multimodal LLM Reranking [56.46309219272326]
  大型言語モデル(LLM)では、教師付き微調整(SFT)による分類は、関連する(非関連)ペアに対して'yes' (resp. ''no')トークンを予測する。 この分散は中心的な疑問を提起する:どの目的がLLMベースのリランクに本質的に適しているか、どのメカニズムが違いの根底にあるのか? 我々はCLとSFTの総合的な比較と分析を行い、ユニバーサルマルチモーダル検索(UMR)を実験場とした。
  論文  参考訳（メタデータ） (2025-10-16T16:02:27Z)
• Long-tailed Medical Diagnosis with Relation-aware Representation Learning and Iterative Classifier Calibration [14.556686415877602]
  本稿では,Long-tailed Medical Diagnosis (LMD) フレームワークを提案する。 私たちのフレームワークは最先端のアプローチを大きく超えています。
  論文  参考訳（メタデータ） (2025-02-05T14:57:23Z)
• Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
  最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。 本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。 そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-12-07T18:37:43Z)
• Few-shot Image Classification based on Gradual Machine Learning [6.935034849731568]
  少ないショット画像分類は、ラベル付きサンプルのみを使用してラベル付きイメージを正確に分類することを目的としている。 段階的機械学習(GML)の非i.dパラダイムに基づく新しいアプローチを提案する。 提案手法は精度でSOTAの性能を1-5%向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-07-28T12:30:41Z)
• Learning What Not to Segment: A New Perspective on Few-Shot Segmentation [63.910211095033596]
  近年では、FSS ( few-shot segmentation) が広く開発されている。 本稿では,問題を緩和するための新鮮で直接的な知見を提案する。 提案されたアプローチのユニークな性質を踏まえて、より現実的で挑戦的な設定にまで拡張する。
  論文  参考訳（メタデータ） (2022-03-15T03:08:27Z)
• You Only Need End-to-End Training for Long-Tailed Recognition [8.789819609485225]
  クロスエントロピー損失は、不均衡なデータに非常に相関した特徴をもたらす傾向にある。 ブロックベース相対平衡バッチサンプリング(B3RS)とバッチ埋め込みトレーニング(BET)の2つの新しいモジュールを提案する。 CIFAR-LT と ImageNet-LT の長期分類ベンチマークによる実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-12-11T11:44:09Z)

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。