論文の概要: Open set learning with augmented category by exploiting unlabelled data (open-LACU)

• arxiv url: http://arxiv.org/abs/2002.01368v4
• Date: Wed, 13 Jul 2022 17:52:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 02:22:58.883309
• Title: Open set learning with augmented category by exploiting unlabelled data (open-LACU)
• Title（参考訳）: ラベルなしデータ(Open-LACU)を利用した拡張カテゴリによるオープンセット学習
• Authors: Emile R. Engelbrecht, Johan A. du Preez
• Abstract要約: この研究は、拡張カテゴリを用いたオープンセット学習と呼ばれる新しい学習方針の中で、観察されたカテゴリと観測されていない新しいカテゴリを一般化する最初のものである。 Open-LACUは、関連する分野の合成として導入され、各分野の利点を単一の学習ポリシー内で維持する。
• 参考スコア（独自算出の注目度）: 2.6397379133308214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Considering the nature of unlabelled data, it is common for partially labelled training datasets to contain samples that belong to novel categories. Although these so-called observed novel categories exist in the training data, they do not belong to any of the training labels. In contrast, open-sets define novel categories as those unobserved during during training, but present during testing. This research is the first to generalize between observed and unobserved novel categories within a new learning policy called open-set learning with augmented category by exploiting unlabeled data or open-LACU. This study conducts a high-level review on novelty detection so to differentiate between research fields that concern observed novel categories, and the research fields that concern unobserved novel categories. Open-LACU is then introduced as a synthesis of the relevant fields to maintain the advantages of each within a single learning policy. Currently, we are finalising the first open-LACU network which will be combined with this pre-print to be sent for publication.
• Abstract（参考訳）: ラベルなしデータの性質を考えると、部分的にラベル付きトレーニングデータセットは、新しいカテゴリに属するサンプルを含むことが一般的である。 これらのいわゆる観察的新カテゴリーはトレーニングデータに存在しているが、トレーニングラベルには属さない。 対照的に、オープンセットは、トレーニング中に観察できないがテスト中に存在するものとして、新しいカテゴリを定義する。 この研究は、ラベルなしデータやオープンLACUを利用して、拡張カテゴリを用いたオープンセット学習と呼ばれる新しい学習方針の中で、観察された新しいカテゴリと観測されていないカテゴリを一般化する最初のものである。 本研究は、観察された新規カテゴリに関する研究分野と、観察されていない新規カテゴリに関する研究分野を区別するために、新規性検出の高レベルなレビューを行う。 Open-LACUは、関連する分野の合成として導入され、各分野の利点を単一の学習ポリシー内で維持する。 現在私たちは、このプレプリントと組み合わされて出版される最初のオープンLACUネットワークを完了しています。

関連論文リスト

• Few-Shot Class-Incremental Learning with Prior Knowledge [94.95569068211195]
  本稿では,事前学習モデルの一般化能力を高めるために,先行知識を用いた学習(LwPK)を提案する。 実験結果から,LwPKは破滅的忘れ込みに対するモデルレジリエンスを効果的に向上させることが示された。
  論文  参考訳（メタデータ） (2024-02-02T08:05:35Z)
• Managing the unknown: a survey on Open Set Recognition and tangential areas [7.345136916791223]
  オープンセット認識モデルは、テストフェーズに到達したサンプルから未知のクラスを検出すると同時に、既知のクラスに属するサンプルの分類において優れたパフォーマンスを維持することができる。 本稿では,オープンセット認識に関する最近の文献を包括的に概観し,この分野と他の機械学習研究領域との共通プラクティス,制限,関連性を明らかにする。 私たちの研究は、オープンな問題も明らかにし、より安全な人工知能手法への将来の取り組みを動機づけ、具体化するいくつかの研究方向を提案する。
  論文  参考訳（メタデータ） (2023-12-14T10:08:12Z)
• Towards Novel Class Discovery: A Study in Novel Skin Lesions Clustering [22.24175320515204]
  皮膚内視鏡画像データセットから新しい意味クラスを自動的に発見する新しいクラス発見フレームワークを提案する。 具体的には、まずコントラスト学習を用いて、既知のカテゴリと未知のカテゴリのすべてのデータに基づいて、頑健で偏りのない特徴表現を学習する。 皮膚科学データセットISIC 2019について広範な実験を行い,本手法が既知のカテゴリの知識を有効活用し,新たな意味カテゴリーを発見できることを実験的に示した。
  論文  参考訳（メタデータ） (2023-09-28T13:59:29Z)
• SegPrompt: Boosting Open-world Segmentation via Category-level Prompt Learning [49.17344010035996]
  オープンワールドインスタンスセグメンテーション(OWIS)モデルは、クラスに依存しない方法で未知のオブジェクトを検出する。 以前のOWISは、未知のオブジェクトに一般化するモデルの能力を維持するために、トレーニング中のカテゴリ情報を完全に消去するアプローチだった。 そこで本研究では,モデルのクラスに依存しないセグメンテーション能力を改善するためにカテゴリ情報を利用するSegPromptと呼ばれる新しいトレーニング機構を提案する。
  論文  参考訳（メタデータ） (2023-08-12T11:25:39Z)
• Company classification using zero-shot learning [0.0]
  NLPとゼロショット学習を用いた企業分類手法を提案する。 Wharton Research Data Services(WRDS)を用いて得られたデータセットに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2023-05-01T18:36:06Z)
• Open World Classification with Adaptive Negative Samples [89.2422451410507]
  オープンワールド分類は、自然言語処理における重要な実践的妥当性と影響を伴う課題である。 そこで本研究では, アンダーライン適応型アンダーラインアンプ (ANS) に基づいて, 学習段階における効果的な合成オープンカテゴリサンプルを生成する手法を提案する。 ANSは最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-03-09T21:12:46Z)
• Novel Class Discovery without Forgetting [72.52222295216062]
  我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。 ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。 CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
  論文  参考訳（メタデータ） (2022-07-21T17:54:36Z)
• Class-incremental Novel Class Discovery [76.35226130521758]
  クラス増進型新規クラス発見(class-iNCD)の課題について検討する。 基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。 3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2022-07-18T13:49:27Z)
• Open-World Semi-Supervised Learning [66.90703597468377]
  本稿では,従来のクラスを認識するためにモデルを必要とする,新しいオープンワールド半教師付き学習環境を提案する。 データの分類とクラスタ化を同時に行うアプローチであるORCAを提案する。 我々は,ORCAが新しいクラスを正確に発見し,ベンチマーク画像分類データセット上で以前に見られたクラスにサンプルを割り当てることを示した。
  論文  参考訳（メタデータ） (2021-02-06T07:11:07Z)

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。