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

• arxiv url: http://arxiv.org/abs/2002.01368v5
• Date: Mon, 17 Apr 2023 12:21:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 02:06:31.267044
• Title: Open-set learning with augmented category by exploiting unlabeled 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: 本研究は,観察されたカテゴリーと観察されていないカテゴリの分類を一般化する新たな学習方針を提案する。 これらの新しいカテゴリタイプを分離することで、Open-LACUは、すべてのカテゴリをラベル付けする必要をなくし、コスト効率の高いトレーニングを促進する。
• 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: Several efforts have been made to synthesize semi-supervised learning (SSL) and open set recognition (OSR) within a single training policy. However, each attempt violated the definition of an open set by incorporating novel categories within the unlabeled training set. Although such \textit{observed} novel categories are undoubtedly prevalent in application-grade datasets, they should not be conflated with the OSR-defined \textit{unobserved} novel categories, which only emerge during testing. This study proposes a new learning policy wherein classifiers generalize between observed and unobserved novel categories. Specifically, our open-set learning with augmented category by exploiting unlabeled data (Open-LACU) policy defines a background category for observed novel categories and an unknown category for unobserved novel categories. By separating these novel category types, Open-LACU promotes cost-efficient training by eliminating the need to label every category and ensures safe classification by completely separating unobserved novel categories that appear over time. Finally, we present a unified approach to establish benchmark results for this emerging and more application-grade learning policy.
• Abstract（参考訳）: 半教師付き学習(SSL)とオープンセット認識(OSR)を単一のトレーニングポリシーで合成する試みがいくつか行われた。 しかし、それぞれの試みはラベルのないトレーニングセットに新しいカテゴリを組み込むことでオープンセットの定義に違反した。 このような \textit{observed} の新規カテゴリは、アプリケーショングレードのデータセットで間違いなく普及しているが、テスト中にのみ現れる OSR 定義の \textit{unobserved} の新規カテゴリと混同してはならない。 本研究は,観察されたカテゴリーと観察されていないカテゴリの分類を一般化する新たな学習方針を提案する。 特に,ラベルなしデータ(open-lacu)ポリシを活用した拡張カテゴリを用いたオープンセット学習では,観察された新規カテゴリの背景カテゴリと,観察されていない新規カテゴリの未知カテゴリを定義している。 これらの新しいカテゴリタイプを分離することにより、Open-LACUは、すべてのカテゴリをラベル付けする必要をなくし、時間とともに現れる未観測の新規カテゴリを完全に分離することで安全な分類を保証することで、コスト効率のトレーニングを促進する。 最後に、この新たなアプリケーショングレード学習ポリシーのベンチマーク結果を確立するための統一的なアプローチを提案する。

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。