論文の概要: A Primer on the Signature Method in Machine Learning
- arxiv url: http://arxiv.org/abs/1603.03788v2
- Date: Fri, 17 Jan 2025 21:49:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-26 14:36:00.823489
- Title: A Primer on the Signature Method in Machine Learning
- Title（参考訳）: 機械学習におけるシグナチャ法に関する一考察
- Authors: Ilya Chevyrev, Andrey Kormilitzin,
- Abstract要約: 本稿では,その理論的性質と機械学習応用に着目し,シグネチャ法の導入について述べる。
まず、経路のシグネチャの定義と基本的性質を示す。
数列として、シグネチャは経路のコンパクトな記述(次元減少)として機能する。
第2部では,機械学習の領域におけるシグネチャの実践的応用について述べる。
- 参考スコア（独自算出の注目度）: 2.3020018305241337
- License:
- Abstract: We provide an introduction to the signature method, focusing on its theoretical properties and machine learning applications. Our presentation is divided into two parts. In the first part, we present the definition and fundamental properties of the signature of a path. The signature is a sequence of numbers associated with a path that captures many of its important analytic and geometric properties. As a sequence of numbers, the signature serves as a compact description (dimension reduction) of a path. In presenting its theoretical properties, we assume only familiarity with classical real analysis and integration, and supplement theory with straightforward examples. We also mention several advanced topics, including the role of the signature in rough path theory. In the second part, we present practical applications of the signature to the area of machine learning. The signature method is a non-parametric way of transforming data into a set of features that can be used in machine learning tasks. In this method, data are converted into multi-dimensional paths, by means of embedding algorithms, of which the signature is then computed. We describe this pipeline in detail, making a link with the properties of the signature presented in the first part. We furthermore review some of the developments of the signature method in machine learning and, as an illustrative example, present a detailed application of the method to handwritten digit classification.
- Abstract（参考訳）: 本稿では,その理論的性質と機械学習応用に着目し,シグネチャ法の導入について述べる。
私たちのプレゼンテーションは2つに分かれています。
まず、経路のシグネチャの定義と基本的性質を示す。
シグネチャは、その重要な解析的および幾何学的性質の多くをキャプチャするパスに関連付けられた数列である。
数列として、シグネチャは経路のコンパクトな記述(次元減少)として機能する。
その理論的性質を示す際には、古典的実解析と積分に精通するのみと仮定し、簡単な例で補足理論を仮定する。
ラフパス理論におけるシグネチャの役割など、いくつかの先進的なトピックについても言及する。
第2部では,機械学習の領域におけるシグネチャの実践的応用について述べる。
シグネチャ法は、データを機械学習タスクで使用できる一連の機能に変換する非パラメトリックな方法である。
この方法では、データを埋め込みアルゴリズムを用いて多次元パスに変換し、そのシグネチャを計算する。
このパイプラインを詳しく説明し、最初のパートで提示されたシグネチャのプロパティとリンクします。
さらに,機械学習におけるシグネチャ手法の開発について概説し,その具体例として手書き桁分類への詳細な適用について述べる。
関連論文リスト
- On expected signatures and signature cumulants in semimartingale models [0.0]
シグネチャと期待シグネチャの概念は、データサイエンス、特にシーケンシャルなデータ分析において不可欠である。
log-transform (expected signatures) は log-signatures (signature cumulants)
論文 参考訳（メタデータ） (2024-08-09T14:16:21Z) - Fractional signature: a generalisation of the signature inspired by fractional calculus [0.0]
本稿では,分数計算を動機とした経路のシグネチャの新たな一般化を提案する。
また、このシグネチャの別の一般化も提案し、前者から着想を得たが、機械学習での使用にはより便利である。
論文 参考訳（メタデータ） (2024-07-24T17:23:14Z) - Self-Supervised Representation Learning with Spatial-Temporal Consistency for Sign Language Recognition [96.62264528407863]
本研究では,空間的時間的整合性を通じてリッチな文脈を探索する自己教師付きコントラスト学習フレームワークを提案する。
動きと関節のモーダル性の相補性に着想を得て,手話モデルに一階動作情報を導入する。
提案手法は,4つの公開ベンチマークの広範な実験により評価され,新しい最先端性能と顕著なマージンを実現している。
論文 参考訳（メタデータ） (2024-06-15T04:50:19Z) - Multi-Label Knowledge Distillation [86.03990467785312]
本稿では,新しい多ラベル知識蒸留法を提案する。
一方、マルチラベル学習問題をバイナリ分類問題に分割することにより、ロジットからの情報的意味知識を利用する。
一方,ラベルワイド埋め込みの構造情報を活用することにより,学習した特徴表現の識別性を向上する。
論文 参考訳（メタデータ） (2023-08-12T03:19:08Z) - Weakly Supervised 3D Instance Segmentation without Instance-level
Annotations [57.615325809883636]
3Dセマンティックシーン理解タスクは、ディープラーニングの出現によって大きな成功を収めた。
本稿では,分類的セマンティックラベルのみを監督対象とする,弱制御型3Dインスタンスセマンティクス手法を提案する。
分類的セマンティックラベルから擬似インスタンスラベルを生成することで,アノテーションコストの低減で既存の3Dインスタンスセグメンテーションの学習を支援することができる。
論文 参考訳（メタデータ） (2023-08-03T12:30:52Z) - Same or Different? Diff-Vectors for Authorship Analysis [78.83284164605473]
古典的な著作物分析において、特徴ベクトルは文書を表し、特徴の値は文書中の特徴の相対周波数(関数の増大)を表し、クラスラベルは文書の著者を表す。
筆者らの実験は共著者検証,著者検証,クローズドセットの著者帰属に取り組んでおり,DVは自然に第1の問題を解くのに向いているが,第2と第3の問題を解くための2つの新しい方法も提供している。
論文 参考訳（メタデータ） (2023-01-24T08:48:12Z) - Neural Representation Learning for Scribal Hands of Linear B [23.603494290484086]
本稿では,リニアB書記システムのスクレイバルハンド解析におけるニューラル特徴抽出の利用について検討する。
人間のアノテーションを必要としない、完全に教師なしのニューラルネットワークを用いた学習機能を提案する。
論文 参考訳（メタデータ） (2021-07-14T20:33:59Z) - Unsupervised Deep Learning for Handwritten Page Segmentation [0.0]
ページ分割のための教師なし深層学習法を提案する。
サイアムスニューラルネットワークは、測定可能な特性を使用してパッチを区別するように訓練される。
実験の結果,提案手法は通常の教師なし手法と同じくらい有効であることがわかった。
論文 参考訳（メタデータ） (2021-01-19T07:13:38Z) - SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。
まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。
次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
論文 参考訳（メタデータ） (2020-11-20T08:26:10Z) - FCN+RL: A Fully Convolutional Network followed by Refinement Layers to
Offline Handwritten Signature Segmentation [3.3144312096837325]
そこで本研究では,手書き署名の画素の識別と抽出を行う手法を提案する。
この技術は、完全な畳み込みエンコーダ・デコーダネットワークと、予測された画像のアルファチャネルのための洗練されたレイヤのブロックを組み合わせたものである。
論文 参考訳（メタデータ） (2020-05-28T18:47:10Z) - Transferring Cross-domain Knowledge for Video Sign Language Recognition [103.9216648495958]
単語レベルの手話認識(WSLR)は手話解釈の基本課題である。
ドメイン不変の視覚概念を学習し、サブタイトルのニュースサインの知識を伝達することでWSLRモデルを肥大化させる新しい手法を提案する。
論文 参考訳（メタデータ） (2020-03-08T03:05:21Z)
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。