論文の概要: Addressing target shift in zero-shot learning using grouped adversarial learning

• arxiv url: http://arxiv.org/abs/2003.00845v2
• Date: Tue, 16 Jun 2020 11:38:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 04:05:19.315908
• Title: Addressing target shift in zero-shot learning using grouped adversarial learning
• Title（参考訳）: グループ対向学習を用いたゼロショット学習におけるターゲットシフトの対応
• Authors: Saneem Ahmed Chemmengath (1), Soumava Paul (2), Samarth Bharadwaj (1), Suranjana Samanta, Karthik Sankaranarayanan ((1) IBM Research, (2) IIT Kharagpur)
• Abstract要約: ゼロショット学習(ZSL)の新たなパラダイムとして, (i) 未確認クラスのクラス属性マッピングを用いて目標分布の変化(ターゲットシフト)を推定し, (ii) グループ適応学習(gAL) と呼ばれる新しい手法を提案する。 提案手法は暗黙的属性予測を含むいくつかの既存のZSLアルゴリズムに適用可能である。
• 参考スコア（独自算出の注目度）: 1.3857063881574483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-shot learning (ZSL) algorithms typically work by exploiting attribute correlations to be able to make predictions in unseen classes. However, these correlations do not remain intact at test time in most practical settings and the resulting change in these correlations lead to adverse effects on zero-shot learning performance. In this paper, we present a new paradigm for ZSL that: (i) utilizes the class-attribute mapping of unseen classes to estimate the change in target distribution (target shift), and (ii) propose a novel technique called grouped Adversarial Learning (gAL) to reduce negative effects of this shift. Our approach is widely applicable for several existing ZSL algorithms, including those with implicit attribute predictions. We apply the proposed technique ($g$AL) on three popular ZSL algorithms: ALE, SJE, and DEVISE, and show performance improvements on 4 popular ZSL datasets: AwA2, aPY, CUB and SUN. We obtain SOTA results on SUN and aPY datasets and achieve comparable results on AwA2.
• Abstract（参考訳）: ゼロショット学習(ZSL)アルゴリズムは通常、属性相関を利用して、目に見えないクラスで予測できる。 しかし、これらの相関は、ほとんどの実践的な環境ではテスト時に持続せず、その結果の相関がゼロショット学習性能に悪影響を及ぼす。 本稿では,ZSLの新しいパラダイムについて述べる。 (i)対象分布の変化(目標シフト)を推定するために、未発見のクラスのクラス属性マッピングを利用する。 (II) このシフトの負の効果を低減するため, GAL(Grouped Adversarial Learning)と呼ばれる新しい手法を提案する。 提案手法は暗黙的属性予測を含むいくつかの既存のZSLアルゴリズムに適用可能である。 提案手法を3つのZSLアルゴリズム(ALE, SJE, DEVISE)に適用し、4つのZSLデータセット(AwA2, aPY, CUB, SUN)の性能改善を示す。 我々は、SUNおよびaPYデータセット上でSOTA結果を取得し、AwA2で同等の結果を得る。

関連論文リスト

• ItTakesTwo: Leveraging Peer Representations for Semi-supervised LiDAR Semantic Segmentation [24.743048965822297]
  本稿では,ItTakesTwo (IT2) と呼ばれる半教師付きLiDARセマンティックセマンティックセマンティクスフレームワークを提案する。 IT2は、ピアLiDAR表現からの一貫性のある予測を保証するために設計されており、一貫性学習における摂動効率を改善する。 その結果,本手法は従来のSOTA法よりも顕著に改善されていることがわかった。
  論文  参考訳（メタデータ） (2024-07-09T18:26:53Z)
• Zero-Shot Learning by Harnessing Adversarial Samples [52.09717785644816]
  本稿では,HAS(Harnessing Adversarial Samples)によるZSL(Zero-Shot Learning)アプローチを提案する。 HASは3つの重要な側面を考慮に入れた敵の訓練を通じてZSLを前進させる。 本稿では,ZSLと一般化ゼロショット学習(GZSL)の両シナリオにおいて,敵対的サンプルアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-01T06:19:13Z)
• Bi-directional Distribution Alignment for Transductive Zero-Shot Learning [48.80413182126543]
  そこで我々は,Bi-VAEGANと呼ばれる新しいゼロショット学習モデル(TZSL)を提案する。 視覚空間と補助空間の間の配向の強化によるシフトを大幅に改善する。 ベンチマーク評価では、Bi-VAEGANは、標準および一般化されたTZSL設定の両方の下で、新しい芸術の状態を達成している。
  論文  参考訳（メタデータ） (2023-03-15T15:32:59Z)
• Targeted Attention for Generalized- and Zero-Shot Learning [0.0]
  Zero-Shot Learning (ZSL)タスクは、ラベル付きデータなしで概念を学習しようとする。 一般ゼロショット学習(GZSL)では,CUB200データセット上でのハーモニック平均R-1が66.14%である。
  論文  参考訳（メタデータ） (2022-11-17T03:55:18Z)
• Attribute-Modulated Generative Meta Learning for Zero-Shot Classification [52.64680991682722]
  ゼロショット学習のためのAttribute-Modulated GenerAtive Meta-modelを提案する。 本モデルは属性対応変調ネットワークと属性対応生成ネットワークから構成される。 実験により,AMAZはZSLで3.8%,ZSLで5.1%改善し,ZSL設定を一般化した。
  論文  参考訳（メタデータ） (2021-04-22T04:16:43Z)
• Task Aligned Generative Meta-learning for Zero-shot Learning [64.16125851588437]
  ゼロショット学習のためのタスク整合型ジェネラティブメタラーニングモデル(TGMZ)の提案 TGMZはバイアスのあるトレーニングを緩和し、メタZSLが多様な分布を含む現実世界のデータセットに対応できるようにする。 最先端アルゴリズムとの比較により,awa1,awa2,cub,apyデータセット上でtgmzが達成した2.1%,3.0%,2.5%,7.6%の改善が示された。
  論文  参考訳（メタデータ） (2021-03-03T05:18:36Z)
• End-to-end Generative Zero-shot Learning via Few-shot Learning [76.9964261884635]
  ゼロショット学習(ZSL)の最先端アプローチでは、生成ネットをトレーニングし、提供されたメタデータに条件付きサンプルを合成する。 本稿では,このような手法をバックボーンとして使用し,合成した出力をFew-Shot Learningアルゴリズムに供給するエンドツーエンド生成ZSLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-08T17:35:37Z)
• Generalized Zero-Shot Learning Via Over-Complete Distribution [79.5140590952889]
  そこで本稿では,CVAE (Conditional Variational Autoencoder) を用いたOCD(Over-Complete Distribution) の生成を提案する。 フレームワークの有効性は,Zero-Shot LearningプロトコルとGeneralized Zero-Shot Learningプロトコルの両方を用いて評価する。
  論文  参考訳（メタデータ） (2020-04-01T19:05:28Z)

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。