論文の概要: Embedding Propagation: Smoother Manifold for Few-Shot Classification
- arxiv url: http://arxiv.org/abs/2003.04151v2
- Date: Mon, 13 Jul 2020 15:14:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 08:15:40.645872
- Title: Embedding Propagation: Smoother Manifold for Few-Shot Classification
- Title（参考訳）: 埋め込みプロパゲーション:小ショット分類のための平滑マニフォールド
- Authors: Pau Rodr\'iguez, Issam Laradji, Alexandre Drouin, Alexandre Lacoste
- Abstract要約: 本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。
埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。
複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
- 参考スコア（独自算出の注目度）: 131.81692677836202
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-shot classification is challenging because the data distribution of the
training set can be widely different to the test set as their classes are
disjoint. This distribution shift often results in poor generalization.
Manifold smoothing has been shown to address the distribution shift problem by
extending the decision boundaries and reducing the noise of the class
representations. Moreover, manifold smoothness is a key factor for
semi-supervised learning and transductive learning algorithms. In this work, we
propose to use embedding propagation as an unsupervised non-parametric
regularizer for manifold smoothing in few-shot classification. Embedding
propagation leverages interpolations between the extracted features of a neural
network based on a similarity graph. We empirically show that embedding
propagation yields a smoother embedding manifold. We also show that applying
embedding propagation to a transductive classifier achieves new
state-of-the-art results in mini-Imagenet, tiered-Imagenet, Imagenet-FS, and
CUB. Furthermore, we show that embedding propagation consistently improves the
accuracy of the models in multiple semi-supervised learning scenarios by up to
16\% points. The proposed embedding propagation operation can be easily
integrated as a non-parametric layer into a neural network. We provide the
training code and usage examples at
https://github.com/ElementAI/embedding-propagation.
- Abstract（参考訳）: クラスが分離しているため、トレーニングセットのデータ分布がテストセットと大きく異なる可能性があるため、少数ショットの分類は難しい。
この分布シフトは、しばしば一般化不良をもたらす。
多様体の平滑化は、決定境界を拡張し、クラス表現のノイズを減らすことで分布シフト問題に対処することが示されている。
さらに、多様体の滑らかさは半教師付き学習とトランスダクティブ学習アルゴリズムの重要な要素である。
本研究では,埋め込み伝播を非教師なし非パラメトリック正則化器として用いることを提案する。
埋め込み伝播は、類似性グラフに基づくニューラルネットワークの抽出された特徴間の補間を利用する。
埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。
また, トランスダクティブ分類器に埋め込み伝搬を適用することで, ミニイメージネット, タイレッドイメージネット, イメージネットFS, CUBにおいて, 新たな最先端結果が得られることを示す。
さらに,複数の半教師付き学習シナリオにおいて,埋め込み伝播はモデルの精度を最大16\%向上させることを示した。
提案した埋め込み伝搬操作は、ニューラルネットワークに非パラメトリック層として容易に統合できる。
トレーニングコードと使用例はhttps://github.com/ElementAI/embedding-proagation.comで公開しています。
関連論文リスト
- Generative Conditional Distributions by Neural (Entropic) Optimal Transport [12.152228552335798]
本稿では,条件分布の生成モデル学習を目的とした,ニューラルエントロピー最適輸送手法を提案する。
提案手法は,2つのニューラルネットワークのミニマックストレーニングに依存する。
実世界のデータセットを用いた実験では,現状条件分布学習法と比較して,アルゴリズムの有効性が示された。
論文 参考訳（メタデータ） (2024-06-04T13:45:35Z) - Data Representations' Study of Latent Image Manifolds [5.801621787540268]
画像分類のための最先端の訓練された畳み込みニューラルネットワークは、層に沿って特徴的な曲率プロファイルを持つことがわかった。
また,最後の2層間の曲率ギャップは,ネットワークの一般化能力と強く相関していることを示す。
論文 参考訳（メタデータ） (2023-05-31T10:49:16Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-02T07:31:39Z) - Smoothed Embeddings for Certified Few-Shot Learning [63.68667303948808]
我々はランダムな平滑化を数ショットの学習モデルに拡張し、入力を正規化された埋め込みにマッピングする。
この結果は、異なるデータセットの実験によって確認される。
論文 参考訳（メタデータ） (2022-02-02T18:19:04Z) - Self-Supervised Learning by Estimating Twin Class Distributions [26.7828253129684]
本稿では,大規模未ラベルデータセットをエンドツーエンドに分類し,自己教師付き表現学習手法TWISTを提案する。
2つの拡張画像の2つのクラス分布を生成するために、ソフトマックス演算で終了するシマセネットワークを用いる。
具体的には、各サンプルの分布のエントロピーを最小化し、各サンプルのクラス予測を行い、平均分布のエントロピーを最大化し、異なるサンプルの予測を多様化させる。
論文 参考訳（メタデータ） (2021-10-14T14:39:39Z) - Distribution Mismatch Correction for Improved Robustness in Deep Neural
Networks [86.42889611784855]
正規化法は ノイズや入力の腐敗に関して 脆弱性を増大させる
本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。
実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
論文 参考訳（メタデータ） (2021-10-05T11:36:25Z) - Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。
本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。
実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
論文 参考訳（メタデータ） (2021-07-07T11:43:59Z) - Diffusion Mechanism in Residual Neural Network: Theory and Applications [12.573746641284849]
限られたトレーニングサンプルを持つ多くの学習タスクでは、拡散はラベル付きおよびラベルなしのデータポイントを接続する。
本稿では,ニューラルネットワークのアーキテクチャへの拡散を内部的に導入する新しい拡散残差ネットワーク(Diff-ResNet)を提案する。
構造的データ仮定により,提案した拡散ブロックは,クラス間点の分離性を向上させる距離-距離比を増大させることができることが証明された。
論文 参考訳（メタデータ） (2021-05-07T10:42:59Z) - Separation and Concentration in Deep Networks [1.8620637029128544]
ディープニューラルネットワーク分類器は、平均周りのクラス分布を段階的に分離する。
画像分類では,学習されていないウェーブレットタイトフレームを用いてクラス平均の分離を実現できることを示す。
得られた散乱ネットワークは、CIFAR-10とImageNet上のResNet-18の分類精度に達する。
論文 参考訳（メタデータ） (2020-12-18T18:27:37Z) - Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。
我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
論文 参考訳（メタデータ） (2019-12-30T17:36:33Z)
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。