Fugu-MT 論文翻訳(概要): Supervised Categorical Metric Learning with Schatten p-Norms

論文の概要: Supervised Categorical Metric Learning with Schatten p-Norms

arxiv url: http://arxiv.org/abs/2002.11246v1
Date: Wed, 26 Feb 2020 01:17:12 GMT
ステータス: 処理完了
システム内更新日: 2022-12-28 14:06:51.325442
Title: Supervised Categorical Metric Learning with Schatten p-Norms
Title（参考訳）: Schatten p-Normsを用いたカテゴリー学習の指導
Authors: Xuhui Fan, Eric Gaussier
Abstract要約: そこで我々は,分類データにおける計量学習の問題に対処する手法としてCPML(CPML)を提案する。我々は、データを表すためにValue Distance Metricを使用し、この表現に基づいて新しい距離を提案する。次に、新しいメトリクスを効率的に学習する方法を示します。
参考スコア（独自算出の注目度）: 10.995886294197412
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Metric learning has been successful in learning new metrics adapted to numerical datasets. However, its development on categorical data still needs further exploration. In this paper, we propose a method, called CPML for \emph{categorical projected metric learning}, that tries to efficiently~(i.e. less computational time and better prediction accuracy) address the problem of metric learning in categorical data. We make use of the Value Distance Metric to represent our data and propose new distances based on this representation. We then show how to efficiently learn new metrics. We also generalize several previous regularizers through the Schatten $p$-norm and provides a generalization bound for it that complements the standard generalization bound for metric learning. Experimental results show that our method provides
Abstract（参考訳）: メトリック学習は、数値データセットに適応した新しいメトリクスの学習に成功している。しかし、その分類データの開発にはさらなる調査が必要である。本稿では,計算時間の短縮と予測精度の向上を図り,分類データにおける計量学習の問題に対処する手法として,CPML for \emph{categorical projected metric learning}を提案する。我々は、データを表すためにValue Distance Metricを使用し、この表現に基づいて新しい距離を提案する。そして、新しいメトリクスを効率的に学習する方法を示します。また、Schatten $p$-norm を通じていくつかの以前の正規化子を一般化し、計量学習の標準一般化を補完する一般化を与える。実験の結果, この手法は

関連論文リスト

Piecewise-Linear Manifolds for Deep Metric Learning [8.670873561640903]
教師なしの深度学習は、ラベルなしデータのみを使用して意味表現空間を学習することに焦点を当てる。本稿では,各低次元線形片が点の小さな近傍でデータ多様体を近似して高次元データ多様体をモデル化することを提案する。我々は、この類似度推定が、現在の最先端技術の類似度推定よりも基礎的真理と相関していることを実証的に示す。
論文参考訳（メタデータ） (2024-03-22T06:22:20Z)
Rapid Adaptation in Online Continual Learning: Are We Evaluating It Right? [135.71855998537347]
オンライン連続学習(OCL)アルゴリズムの適応性を評価するための一般的な手法を,オンライン精度の指標を用いて再検討する。空白のブラインド分類器でさえ、非現実的に高いオンライン精度を達成できるため、この指標は信頼できない。既存のOCLアルゴリズムは、オンラインの精度も高いが、有用な情報の保持は不十分である。
論文参考訳（メタデータ） (2023-05-16T08:29:33Z)
Hyperbolic Vision Transformers: Combining Improvements in Metric Learning [116.13290702262248]
計量学習のための新しい双曲型モデルを提案する。本手法のコアとなるのは、双曲空間にマッピングされた出力埋め込みを備えた視覚変換器である。 4つのデータセットに6つの異なる定式化を施したモデルの評価を行った。
論文参考訳（メタデータ） (2022-03-21T09:48:23Z)
Adaptive neighborhood Metric learning [184.95321334661898]
適応的近傍距離距離学習(ANML)という新しい距離距離距離距離距離距離学習アルゴリズムを提案する。 ANMLは線形埋め込みと深層埋め込みの両方を学ぶのに使うことができる。本手法で提案するemphlog-exp平均関数は,深層学習手法をレビューするための新たな視点を与える。
論文参考訳（メタデータ） (2022-01-20T17:26:37Z)
Efficient Nearest Neighbor Language Models [114.40866461741795]
非パラメトリックニューラルネットワークモデル(NLM)は、外部データストアを用いてテキストの予測分布を学習する。比較性能を維持しながら、推論速度の最大6倍の高速化を実現する方法を示す。
論文参考訳（メタデータ） (2021-09-09T12:32:28Z)
Meta-Generating Deep Attentive Metric for Few-shot Classification [53.07108067253006]
本稿では,新しい数ショット学習タスクのための特定のメトリックを生成するための,新しい深度メタジェネレーション手法を提案する。本研究では,各タスクの識別基準を生成するのに十分なフレキシブルな3層深い注意ネットワークを用いて,メトリクスを構造化する。特に挑戦的なケースでは、最先端の競合他社よりも驚くほどパフォーマンスが向上しています。
論文参考訳（メタデータ） (2020-12-03T02:07:43Z)
MLAS: Metric Learning on Attributed Sequences [13.689383530299502]
メートル法学習への従来のアプローチは、主にデータ属性に基づいてマハラノビス距離メートル法を学ぶことに焦点を当てていた。我々は,属性列間の相違を効果的に測定する距離メトリックを学習するために,MLASと呼ばれる深層学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-11-08T19:35:42Z)
Interpretable Locally Adaptive Nearest Neighbors [8.052709336750821]
そこで我々は,局所的に適応的なメトリクスを学習する手法を開発した。これらのローカルメトリクスはパフォーマンスを向上するだけでなく、自然に解釈できる。合成データセットについて多数の実験を行い、実世界のベンチマークデータセットにその有用性を示す。
論文参考訳（メタデータ） (2020-11-08T05:27:50Z)
Provably Robust Metric Learning [98.50580215125142]
既存のメトリクス学習アルゴリズムは、ユークリッド距離よりもロバストなメトリクスをもたらすことを示す。対向摂動に対して頑健なマハラノビス距離を求めるための新しい距離学習アルゴリズムを提案する。実験結果から,提案アルゴリズムは証明済みの堅牢な誤りと経験的堅牢な誤りの両方を改善した。
論文参考訳（メタデータ） (2020-06-12T09:17:08Z)
Metric Learning for Ordered Labeled Trees with pq-grams [11.284638114256712]
pq-gram を用いた木構造データに対する新しい計量学習手法を提案する。 pq-gram 距離は順序付きラベル付き木の距離であり、木編集距離よりも計算コストがはるかに低い。提案手法は,最先端の編集距離に基づく手法を用いて,競合的な結果が得られることを実証的に示す。
論文参考訳（メタデータ） (2020-03-09T08:04:47Z)
Variational Metric Scaling for Metric-Based Meta-Learning [37.392840869320686]
我々は,計量に基づくメタラーニングを原型的観点から再放送し,変分的メートル法スケーリングフレームワークを開発する。提案手法は,事前学習のないエンドツーエンドであり,既存のメートル法に基づくメタアルゴリズムのためのシンプルなプラグイン・アンド・プレイモジュールとして使用できる。
論文参考訳（メタデータ） (2019-12-26T09:00:36Z)

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。