論文の概要: MNIST-NET10: A heterogeneous deep networks fusion based on the degree of
certainty to reach 0.1 error rate. Ensembles overview and proposal
- arxiv url: http://arxiv.org/abs/2001.11486v2
- Date: Tue, 7 Apr 2020 15:19:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 11:45:14.358570
- Title: MNIST-NET10: A heterogeneous deep networks fusion based on the degree of
certainty to reach 0.1 error rate. Ensembles overview and proposal
- Title（参考訳）: mnist-net10: 不均質なディープネットワークの融合で、0.1の誤差率に達することが確実である。
アンサンブルの概要と提案
- Authors: S. Tabik, R.F. Alvear-Sandoval, M.M. Ruiz, J.L. Sancho-G\'omez, A.R.
Figueiras-Vidal, F. Herrera
- Abstract要約: MNIST-NET10は、確信の度合いに基づく複雑なヘテロジニアス融合アーキテクチャである。
データ、モデル、融合戦略の観点からの2つの異種スキームを組み合わせる。
MNIST-NET10はMNISTで10の誤分類画像で新記録に達した。
- 参考スコア（独自算出の注目度）: 1.4908563154226955
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ensemble methods have been widely used for improving the results of the best
single classificationmodel. A large body of works have achieved better
performance mainly by applying one specific ensemble method. However, very few
works have explored complex fusion schemes using het-erogeneous ensembles with
new aggregation strategies. This paper is three-fold: 1) It provides an
overview of the most popular ensemble methods, 2) analyzes several fusion
schemes using MNIST as guiding thread and 3) introduces MNIST-NET10, a complex
heterogeneous fusion architecture based on a degree of certainty aggregation
approach; it combines two heterogeneous schemes from the perspective of data,
model and fusion strategy. MNIST-NET10 reaches a new record in MNISTwith only
10 misclassified images. Our analysis shows that such complex heterogeneous
fusionarchitectures based on the degree of certainty can be considered as a way
of taking benefit fromdiversity.
- Abstract（参考訳）: アンサンブル法は最高の単一分類モデルの結果を改善するために広く用いられている。
多数の作品が、主に1つの特定のアンサンブル法を適用して、より良いパフォーマンスを実現している。
しかし、新しい集約戦略を持つヘット不均一アンサンブルを用いて複雑な融合スキームを探求する研究はほとんどない。
この論文は3倍です。
1)最も人気のあるアンサンブル方法の概要を提供する。
2)MNISTを誘導スレッドとし,複数の融合スキームの解析
3) MNIST-NET10は,データ,モデル,融合戦略の観点からの2つのヘテロジニアススキームを組み合わせた,確実性集約アプローチに基づく複雑なヘテロジニアス融合アーキテクチャである。
MNIST-NET10はMNISTで10の誤分類画像で新記録に達した。
本分析は,このような複雑な不均一核融合構造が,多様性から利益を得る方法として考えられることを示す。
関連論文リスト
- FusionBench: A Comprehensive Benchmark of Deep Model Fusion [78.80920533793595]
ディープモデル融合(Deep Model fusion)とは、複数のディープニューラルネットワークの予測やパラメータを単一のモデルに統合する手法である。
FusionBenchは、ディープモデル融合に特化した最初の包括的なベンチマークである。
論文 参考訳（メタデータ） (2024-06-05T13:54:28Z) - Universal Multi-modal Entity Alignment via Iteratively Fusing Modality
Similarity Paths [28.96635011078095]
複数の知識グラフ(KG)から等価実体対を同定するPathFusionを提案する。
PathFusionは、MSPとIRFの2つの主要コンポーネントで構成されている。
実世界のデータセットに対する実験結果は、最先端の手法よりもPathFusionの方が優れていることを示している。
論文 参考訳（メタデータ） (2023-10-09T02:50:54Z) - A Comparative Assessment of Multi-view fusion learning for Crop
Classification [3.883984493622102]
この研究は、CropHarvestデータセットにおける作物分類のための異なる融合戦略を評価する。
本稿では,3つの異なるデータセットに対する多視点融合法の比較を行い,テスト領域によって異なる手法が最高の性能を得ることを示す。
論文 参考訳（メタデータ） (2023-08-10T08:03:58Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。
我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。
我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
論文 参考訳（メタデータ） (2022-09-30T15:01:35Z) - Late Fusion Multi-view Clustering via Global and Local Alignment
Maximization [61.89218392703043]
マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。
既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。
これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
論文 参考訳（メタデータ） (2022-08-02T01:49:31Z) - Fast Multi-view Clustering via Ensembles: Towards Scalability,
Superiority, and Simplicity [63.85428043085567]
本稿では,アンサンブル(FastMICE)アプローチによる高速なマルチビュークラスタリングを提案する。
ランダムなビュー群の概念は、多目的なビューワイズ関係を捉えるために提示される。
FastMICEは、ほぼ線形時間と空間の複雑さを持ち、データセット固有のチューニングは不要である。
論文 参考訳（メタデータ） (2022-03-22T09:51:24Z) - Anchor Graph Structure Fusion Hashing for Cross-Modal Similarity Search [14.56730666575558]
我々は新しいアンカーグラフ構造融合ハッシュ(AGSFH)を提案する。
AGSFHは本質的なアンカーグラフを学習し、本質的なアンカーグラフの構造を適応的に調整する。
これは、アンカー融合親和性を共通の二元ハミング空間に保存する。
論文 参考訳（メタデータ） (2022-02-09T08:27:32Z) - A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network
Representation Learning [52.83948119677194]
大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。
具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。
提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
論文 参考訳（メタデータ） (2020-07-19T22:50:20Z) - Re-purposing Heterogeneous Generative Ensembles with Evolutionary
Computation [8.198369743955528]
機械学習では、予測器のアンサンブルは多くのタスクに対して単一の予測器よりも優れた結果を示す。
本研究では、2つの進化的アルゴリズムを応用して、再目的生成モデルにアンサンブルを生成する。
MNIST画像ベンチマークの実験解析により、両方のEAアンサンブル生成法がモデルを再使用できることが示されている。
論文 参考訳（メタデータ） (2020-03-30T15:04:40Z)
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。