論文の概要: Domain segmentation and adjustment for generalized zero-shot learning
- arxiv url: http://arxiv.org/abs/2002.00226v1
- Date: Sat, 1 Feb 2020 15:00:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 01:05:00.035491
- Title: Domain segmentation and adjustment for generalized zero-shot learning
- Title(参考訳): 一般化ゼロショット学習のための領域分割と調整
- Authors: Xinsheng Wang, Shanmin Pang, Jihua Zhu
- Abstract要約: ゼロショット学習では、見えないデータを生成モデルで合成することは、見えないクラスと見えないクラスのトレーニングデータの不均衡に対処する最も一般的な方法である。
未確認データの合成は、トレーニングデータの不均衡に起因する領域シフトに対処するための理想的なアプローチではないと我々は主張する。
本稿では,異なる領域における一般化されたゼロショット認識を実現することを提案する。
- 参考スコア(独自算出の注目度): 22.933463036413624
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the generalized zero-shot learning, synthesizing unseen data with
generative models has been the most popular method to address the imbalance of
training data between seen and unseen classes. However, this method requires
that the unseen semantic information is available during the training stage,
and training generative models is not trivial. Given that the generator of
these models can only be trained with seen classes, we argue that synthesizing
unseen data may not be an ideal approach for addressing the domain shift caused
by the imbalance of the training data. In this paper, we propose to realize the
generalized zero-shot recognition in different domains. Thus, unseen (seen)
classes can avoid the effect of the seen (unseen) classes. In practice, we
propose a threshold and probabilistic distribution joint method to segment the
testing instances into seen, unseen and uncertain domains. Moreover, the
uncertain domain is further adjusted to alleviate the domain shift. Extensive
experiments on five benchmark datasets show that the proposed method exhibits
competitive performance compared with that based on generative models.
- Abstract(参考訳): 一般化されたゼロショット学習では,未知覚データと生成モデルとの合成が,視クラスと未知覚クラス間のトレーニングデータの不均衡に対処する最も一般的な方法である。
しかし,本手法では,学習段階では見当たらない意味情報が必要であり,生成モデルの訓練は容易ではない。
これらのモデルのジェネレータは、見知らぬクラスでしか訓練できないので、未確認データの合成は、トレーニングデータの不均衡に起因するドメインシフトに対処するための理想的なアプローチではない、と我々は主張する。
本稿では,異なる領域における一般化ゼロショット認識を実現することを提案する。
したがって、unseen(seen)クラスは、見られている(seen)クラスの影響を避けることができる。
実例では,テストインスタンスを目に見えない,不確実な領域に分割するためのしきい値と確率分布結合法を提案する。
さらに、不確実領域は、ドメインシフトを軽減するためにさらに調整される。
5つのベンチマークデータセットの大規模な実験により,提案手法は生成モデルに基づく手法と比較して競合性能を示すことが示された。
関連論文リスト
- Online Performance Estimation with Unlabeled Data: A Bayesian Application of the Hui-Walter Paradigm [0.0]
我々は、伝統的に疫学や医学に応用されたHui-Walterパラダイムを機械学習の分野に適用する。
根拠のないシナリオでは、偽陽性率、偽陰性率、先行といった重要なパフォーマンス指標を推定する。
オンラインデータを扱うためのこのパラダイムを拡張し、動的データ環境の新しい可能性を広げます。
論文 参考訳(メタデータ) (2024-01-17T17:46:10Z) - Class Distribution Shifts in Zero-Shot Learning: Learning Robust Representations [3.8980564330208662]
シフトの原因となる属性が事前に不明であると仮定するモデルを提案する。
提案手法は,シミュレーションと実世界のデータセットの両方において,多様なクラス分布の一般化を改善する。
論文 参考訳(メタデータ) (2023-11-30T14:14:31Z) - Synthetic Model Combination: An Instance-wise Approach to Unsupervised
Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。
専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文 参考訳(メタデータ) (2022-10-11T10:20:31Z) - Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
局所変換近傍における分類器の出力不変性の尺度を提案する。
私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。
画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
論文 参考訳(メタデータ) (2022-07-05T14:55:16Z) - Self Training with Ensemble of Teacher Models [8.257085583227695]
堅牢なディープラーニングモデルのトレーニングには,大量のラベル付きデータが必要である。
このようなラベル付きデータの大規模なリポジトリがなければ、ラベルなしのデータも同様に利用することができる。
準スーパービジョン学習は、そのようなラベルのないデータを分類モデルの訓練に活用することを目的としている。
論文 参考訳(メタデータ) (2021-07-17T09:44:09Z) - A Curriculum-style Self-training Approach for Source-Free Semantic Segmentation [91.13472029666312]
ソースフリーなドメイン適応型セマンティックセマンティックセグメンテーションのためのカリキュラムスタイルの自己学習手法を提案する。
提案手法は, ソースフリーなセマンティックセグメンテーションタスクにおいて, 合成-実-実-実-実-実-実-非実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実
論文 参考訳(メタデータ) (2021-06-22T10:21:39Z) - Neural Networks for Learning Counterfactual G-Invariances from Single
Environments [13.848760376470038]
ニューラルネットワークは、トレーニングデータ分布を超えて外挿する困難があると考えられています。
この研究は、有限変換群に基づく外挿に対して、モデルが外挿できないことは、その能力とは無関係であることを示す。
論文 参考訳(メタデータ) (2021-04-20T16:35:35Z) - Entropy-Based Uncertainty Calibration for Generalized Zero-Shot Learning [49.04790688256481]
一般化ゼロショット学習(GZSL)の目的は、目に見えないクラスと見えないクラスの両方を認識することである。
ほとんどのGZSLメソッドは、通常、見えないクラスの意味情報から視覚表現を合成することを学ぶ。
本論文では,三重項損失を持つ2重変分オートエンコーダを利用する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-01-09T05:21:27Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳(メタデータ) (2020-06-22T21:12:31Z) - Rethinking Class-Balanced Methods for Long-Tailed Visual Recognition
from a Domain Adaptation Perspective [98.70226503904402]
現実世界のオブジェクトの周波数は、しばしば電力法則に従い、長い尾のクラス分布を持つデータセット間のミスマッチを引き起こす。
メタラーニング手法を用いて,クラス条件分布の違いを明示的に推定し,古典的なクラスバランス学習を強化することを提案する。
論文 参考訳(メタデータ) (2020-03-24T11:28:42Z)
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。