論文の概要: See the Future, Classify the Present: Stochastic Latent World Modeling for Hyperspectral Images

• arxiv url: http://arxiv.org/abs/2610.25781v1
• Date: Mon, 19 Oct 2026 04:48:23 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:20:51.568646
• Title: See the Future, Classify the Present: Stochastic Latent World Modeling for Hyperspectral Images
• Title（参考訳）: 未来を見て、現在を分類する: ハイパースペクトル画像の確率的潜在世界モデリング
• Abstract要約: ハイパースペクトル画像分類(HSIC)は、ラベル付きサンプルからの静的空間スペクトル表現に依存する。 この研究は、潜在状態予測を通じて分類を強化する軌道に基づく表現である潜在世界モデリング(LWM)を提案する。 5つのベンチマークデータセットで、LWMは限定ラベル設定の下で一貫した分類性能を達成する。
• 参考スコア（独自算出の注目度）: 30.45272725904349
• License:
• Abstract: Hyperspectral image classification (HSIC) relies on static spatial-spectral representations learned from labeled samples, limiting its ability to model structured dependencies in the latent representation space. To address this limitation, this work proposes Stochastic Latent World Modeling (LWM), a trajectory-based representation-learning framework that enriches classification through stochastic latent-state prediction. Given a hyperspectral patch, LWM tokenizes and encodes spectral and spatial information separately using dedicated transformer branches, then fuses their outputs into a unified representation. This representation is further organized into an environment state that captures center, neighborhood, spectral, and global contextual information. A stochastic latent transition module then predicts multiple future latent states through Gaussian parameterization and reparameterization, with recurrent refinement used to model dependencies across successive states. The resulting latent trajectory is adaptively aggregated by a rollout planner to construct a planned representation, which is integrated with the base representation for final classification. By extending static spatial-spectral encoding with stochastic multi-step latent-state modeling, LWM enables the classifier to exploit structured dependencies in the representation space and provides richer features for HSIC. Across five benchmark datasets, LWM achieves overall accuracies ranging from 89.21% to 99.52%, demonstrating consistent classification performance under limited-label settings.
• Abstract（参考訳）: ハイパースペクトル画像分類(HSIC)は、ラベル付きサンプルから得られた静的空間スペクトル表現に依存し、潜在表現空間における構造的依存関係をモデル化する能力を制限する。 この制限に対処するために、確率潜在状態予測を通じて分類を強化する軌道に基づく表現学習フレームワークであるStochastic Latent World Modeling (LWM)を提案する。 ハイパースペクトルパッチが与えられた後、LWMは専用のトランスフォーマーブランチを使用してスペクトルと空間情報を別々にトークン化し、エンコードし、出力を統一表現に融合する。 この表現は、中心、近傍、スペクトル、およびグローバルな文脈情報をキャプチャする環境状態にさらに整理される。 確率的潜時遷移モジュールは、ガウスのパラメータ化と再パラメータ化を通じて、連続状態間の依存関係をモデル化するために再帰的改善を用いて、複数の将来の潜時状態を予測する。 得られた潜在軌道はロールアウトプランナーによって適応的に集約され、最終的な分類のためのベース表現と統合される計画された表現を構築する。 静的空間スペクトル符号化を確率的多段階潜在状態モデリングで拡張することにより、LWMは表現空間における構造的依存関係を活用でき、よりリッチなHSIC機能を提供する。 5つのベンチマークデータセットで、LWMは89.21%から99.52%までの総合的な評価を達成し、限定ラベル設定で一貫した分類性能を示す。

関連論文リスト

• Adaptive Spectral-Koopman Dynamics Modeling for Temporal Domain Generalization [18.872869373231918]
  TDG(Temporal Domain Generalization)は、リアルタイムストリーミングデータに時間とともに分散シフトを伴って対処するために登場した。 TDGの適応文脈抽出が可能なスペクトルコオプマンフレームワークである textbfAdaSpecK を提案する。
  論文  参考訳（メタデータ） (2026-10-02T05:13:31Z)
• Learning Commute-Time-Preserving World Models for Planning [6.7022518034438585]
  通勤時間保存世界モデル(CTWM)を紹介する。 CTWMは遅延変位予測器と崩壊を防ぐ対数決定正則化器を結合する。 数値シミュレーションでは、CTWMはタスク非依存のベースラインであるLeWMにマッチする。
  論文  参考訳（メタデータ） (2026-10-01T09:42:42Z)
• Direct Topology Tracking in Continuous Implicit Models [10.197589315891689]
  連続的な暗黙的モデル内で機能を直接追跡するフレームワークを提案する。 連続的な暗黙的モデルが与えられた場合、本手法はモデルとその導関数を問合せすることで臨界点の進化を追跡する。 このアプローチは、エイリアスのような離散化によって引き起こされるアーティファクトを避けながら、忠実な機能追跡を可能にする。
  論文  参考訳（メタデータ） (2026-09-10T19:44:02Z)
• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• VFMF: World Modeling by Forecasting Vision Foundation Model Features [67.09340259579761]
  本稿では,視覚基礎モデルの特徴空間における自己回帰フローマッチングを行う生成予測器を提案する。 この潜伏情報の方がPCAベースの代替案よりも効果的であることを示す。 一致したアーキテクチャと計算により、本手法はすべてのモダリティにおける回帰よりもシャープで正確な予測を生成する。
  論文  参考訳（メタデータ） (2025-12-12T02:10:05Z)
• Wasserstein-Aligned Hyperbolic Multi-View Clustering [58.29261653100388]
  本稿では,マルチビュークラスタリングのための新しいWasserstein-Aligned Hyperbolic(WAH)フレームワークを提案する。 本手法はビュー固有の双曲エンコーダを用いて特徴をローレンツ多様体に埋め込んで階層的セマンティックモデリングを行う。
  論文  参考訳（メタデータ） (2025-12-10T07:56:19Z)
• SemaMIL: Semantic-Aware Multiple Instance Learning with Retrieval-Guided State Space Modeling for Whole Slide Images [17.674866281320046]
  SemaMILは,スライド画像全体から識別特徴を抽出する適応的手法である。 セマンティックに類似したパッチを、可逆的な置換によってシーケンスでクラスタ化する。 FLOPやパラメータを少なくして最先端のサブタイプ精度を実現する。
  論文  参考訳（メタデータ） (2025-08-30T10:13:18Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Hierarchical regularization networks for sparsification based learning on noisy datasets [0.0]
  階層は、連続的により微細なスケールで特定される近似空間から従う。 各スケールでのモデル一般化を促進するため,複数次元にわたる新規な射影型ペナルティ演算子も導入する。 その結果、合成データセットと実データセットの両方において、データ削減およびモデリング戦略としてのアプローチの性能が示された。
  論文  参考訳（メタデータ） (2020-06-09T18:32:24Z)

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。