論文の概要: Rethinking Class Relations: Absolute-relative Supervised and Unsupervised Few-shot Learning

• arxiv url: http://arxiv.org/abs/2001.03919v4
• Date: Wed, 9 Jun 2021 04:36:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 04:48:38.951839
• Title: Rethinking Class Relations: Absolute-relative Supervised and Unsupervised Few-shot Learning
• Title（参考訳）: 授業関係を再考する:絶対相対的監督と教師なしフットショット学習
• Authors: Hongguang Zhang, Piotr Koniusz, Songlei Jian, Hongdong Li, Philip H. S. Torr
• Abstract要約: 本稿では,現在の数ショット学習法における単純化型クラスモデリングの基本的問題について検討する。 本稿では,ラベル情報をフル活用して画像表現を洗練するための,絶対相対学習パラダイムを提案する。
• 参考スコア（独自算出の注目度）: 157.62595449130973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The majority of existing few-shot learning methods describe image relations with binary labels. However, such binary relations are insufficient to teach the network complicated real-world relations, due to the lack of decision smoothness. Furthermore, current few-shot learning models capture only the similarity via relation labels, but they are not exposed to class concepts associated with objects, which is likely detrimental to the classification performance due to underutilization of the available class labels. To paraphrase, children learn the concept of tiger from a few of actual examples as well as from comparisons of tiger to other animals. Thus, we hypothesize that in fact both similarity and class concept learning must be occurring simultaneously. With these observations at hand, we study the fundamental problem of simplistic class modeling in current few-shot learning methods. We rethink the relations between class concepts, and propose a novel Absolute-relative Learning paradigm to fully take advantage of label information to refine the image representations and correct the relation understanding in both supervised and unsupervised scenarios. Our proposed paradigm improves the performance of several the state-of-the-art models on publicly available datasets.
• Abstract（参考訳）: 既存の少数ショット学習手法の大半はバイナリラベルとのイメージ関係を記述している。 しかし、そのような二項関係は、決定の滑らかさの欠如により、複雑な実世界の関係をネットワークに教えるには不十分である。 さらに、現在の数発の学習モデルは、関係ラベルによる類似性のみをキャプチャするが、それらがオブジェクトに関連するクラス概念に曝されることはなく、利用可能なクラスラベルの未利用により分類性能が低下する可能性がある。 言い換えると、子供たちは実際のいくつかの例からトラの概念を学び、トラと他の動物の比較から学ぶ。 したがって、実際には類似性とクラス概念学習が同時に行われる必要があると仮定する。 そこで本研究では,本手法における単純クラスモデリングの問題点について考察する。 我々は,クラス概念間の関係を再考し,ラベル情報を完全に活用してイメージ表現を洗練し,教師なしシナリオと教師なしシナリオの両方で関係理解を正す,絶対相対学習パラダイムを提案する。 提案手法は,公開データセット上での最先端モデルの性能を向上させる。

関連論文リスト

• Classes Are Not Equal: An Empirical Study on Image Recognition Fairness [100.36114135663836]
  我々は,クラスが等しくないことを実験的に証明し,様々なデータセットにまたがる画像分類モデルにおいて,公平性の問題が顕著であることを示した。 以上の結果から,モデルでは認識が困難であるクラスに対して,予測バイアスが大きくなる傾向が示唆された。 データ拡張および表現学習アルゴリズムは、画像分類のある程度の公平性を促進することにより、全体的なパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2024-02-28T07:54:50Z)
• A Probabilistic Model Behind Self-Supervised Learning [53.64989127914936]
  自己教師付き学習(SSL)では、アノテートラベルなしで補助的なタスクを通じて表現が学習される。 自己教師型学習のための生成潜在変数モデルを提案する。 対照的な方法を含む識別的SSLのいくつかのファミリーは、表現に匹敵する分布を誘導することを示した。
  論文  参考訳（メタデータ） (2024-02-02T13:31:17Z)
• VGSE: Visually-Grounded Semantic Embeddings for Zero-Shot Learning [113.50220968583353]
  ゼロショット学習のための識別的視覚特性を含むセマンティック埋め込みを発見することを提案する。 本モデルでは,画像の集合を視覚的類似性に応じて局所的な画像領域の集合に視覚的に分割する。 視覚的に接地されたセマンティック埋め込みは、様々なZSLモデルにまたがる単語埋め込みよりも、大きなマージンで性能を向上することを示した。
  論文  参考訳（メタデータ） (2022-03-20T03:49:02Z)
• Semantic-Based Few-Shot Learning by Interactive Psychometric Testing [14.939767383180786]
  ほとんどショットの分類タスクは、サポートセット内のいくつかのラベル付き例に基づいて、クエリセット内のイメージを分類することを目的としていない。 本研究では,この難易度の高いシナリオ,セマンティックベースの数発学習に向けて,数発の学習を進めた。 本稿では,対話型心理測定学習を用いて内的意味関係を抽出し,そのパラダイムに対処する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T21:03:09Z)
• Exploiting Class Similarity for Machine Learning with Confidence Labels and Projective Loss Functions [0.0]
  クラスラベルは相互に関連付けられており、特定のクラスラベルは他のクラスと類似している。 現在のラベリング技術では、このような類似情報を明示的に捉えられていない。 ノイズラベルは、クラス類似性から生じる難易度の結果であると考えるので、ノイズラベルを用いたニューラルネットワークのトレーニングに使用しています。
  論文  参考訳（メタデータ） (2021-03-25T04:49:44Z)
• Logic-guided Semantic Representation Learning for Zero-Shot Relation Classification [31.887770824130957]
  ゼロショット関係分類のための論理誘導型意味表現学習モデルを提案する。 我々のアプローチは、暗黙的および明示的な意味表現と知識グラフの埋め込みと論理規則との接続を構築する。
  論文  参考訳（メタデータ） (2020-10-30T04:30:09Z)
• Pairwise Supervision Can Provably Elicit a Decision Boundary [84.58020117487898]
  類似性学習は、パターンのペア間の関係を予測することによって有用な表現を引き出す問題である。 類似性学習は、決定境界を直接引き出すことによって二項分類を解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-11T05:35:16Z)
• Learning to Compare Relation: Semantic Alignment for Few-Shot Learning [48.463122399494175]
  本稿では,コンテンツアライメントに頑健な関係を比較するための新しいセマンティックアライメントモデルを提案する。 数ショットの学習データセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2020-02-29T08:37:02Z)

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。