論文の概要: Heterogeneous Representation Learning: A Review
- arxiv url: http://arxiv.org/abs/2004.13303v2
- Date: Thu, 30 Apr 2020 11:46:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 22:16:15.418208
- Title: Heterogeneous Representation Learning: A Review
- Title(参考訳): 不均一表現学習 : 概観
- Authors: Joey Tianyi Zhou, Xi Peng and Yew-Soon Ong
- Abstract要約: 不均一表現学習(HRL)には、いくつかの独特な課題がある。
異種入力を用いて既存の学習環境をモデル化可能な統合学習フレームワークを提案する。
HRLでは触れられていない課題と今後の研究方向性を強調します。
- 参考スコア(独自算出の注目度): 66.12816399765296
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The real-world data usually exhibits heterogeneous properties such as
modalities, views, or resources, which brings some unique challenges wherein
the key is Heterogeneous Representation Learning (HRL) termed in this paper.
This brief survey covers the topic of HRL, centered around several major
learning settings and real-world applications. First of all, from the
mathematical perspective, we present a unified learning framework which is able
to model most existing learning settings with the heterogeneous inputs. After
that, we conduct a comprehensive discussion on the HRL framework by reviewing
some selected learning problems along with the mathematics perspectives,
including multi-view learning, heterogeneous transfer learning, Learning using
privileged information and heterogeneous multi-task learning. For each learning
task, we also discuss some applications under these learning problems and
instantiates the terms in the mathematical framework. Finally, we highlight the
challenges that are less-touched in HRL and present future research directions.
To the best of our knowledge, there is no such framework to unify these
heterogeneous problems, and this survey would benefit the community.
- Abstract(参考訳): 実世界のデータは、通常、モダリティ、ビュー、リソースなどの異種特性を示しており、この論文で言及された異種表現学習(HRL)が鍵となるいくつかのユニークな課題をもたらす。
この簡単な調査では、いくつかの主要な学習設定と実世界のアプリケーションを中心に、HRLのトピックを取り上げている。
まず、数学的観点から、既存の学習環境のほとんどを不均一な入力でモデル化できる統一的な学習フレームワークを提案する。
その後、多視点学習、異種転帰学習、特権情報を用いた学習、異種多タスク学習などの数学的視点とともに、選択された学習問題をレビューし、HRLフレームワークに関する包括的な議論を行う。
各学習タスクについて,これらの学習問題の下での応用について検討し,数学的枠組みの用語をインスタンス化する。
最後に,HRLであまり触れられていない課題と今後の研究方向性について述べる。
私たちの知る限りでは、これらの異質な問題を統一するためのフレームワークはありません。
関連論文リスト
- Fine-Grained Zero-Shot Learning: Advances, Challenges, and Prospects [84.36935309169567]
ゼロショット学習(ZSL)における微粒化解析の最近の進歩を概観する。
まず、各カテゴリの詳細な分析を行い、既存の手法と手法の分類について述べる。
次に、ベンチマークを要約し、公開データセット、モデル、実装、およびライブラリとしての詳細について説明する。
論文 参考訳(メタデータ) (2024-01-31T11:51:24Z) - A Survey on Continual Semantic Segmentation: Theory, Challenge, Method
and Application [8.973607475910068]
継続的学習は、漸進的学習または生涯学習としても知られ、ディープラーニングとAIシステムの最前線にある。
本稿では,連続的セマンティックセグメンテーション(CSS:Continuous semantic segmentation, 連続意味セグメンテーション)について概説する。
現在のCSSモデルを、textitdata-replay と textitdata-free セットを含む2つのメインブランチに分類し、分類する。
各ブランチにおいて、対応するアプローチは類似性に基づくクラスタ化および網羅的解析であり、関連するデータセットの質的比較と定量的再現に続く。
論文 参考訳(メタデータ) (2023-10-22T11:53:56Z) - Heterogeneous Federated Learning: State-of-the-art and Research
Challenges [117.77132819796105]
不均一フェデレートラーニング(HFL)はより困難であり、それに対応するソリューションは多様で複雑である。
HFLの新たな進歩を概説し,既存のHFL手法の新たな分類法を提案する。
HFLにおけるいくつかの重要かつ将来的な研究方向性について論じる。
論文 参考訳(メタデータ) (2023-07-20T06:32:14Z) - GLUECons: A Generic Benchmark for Learning Under Constraints [102.78051169725455]
本研究では,自然言語処理とコンピュータビジョンの分野における9つのタスクの集合であるベンチマークを作成する。
外部知識を制約としてモデル化し、各タスクの制約のソースを特定し、これらの制約を使用するさまざまなモデルを実装します。
論文 参考訳(メタデータ) (2023-02-16T16:45:36Z) - Causal Reasoning Meets Visual Representation Learning: A Prospective
Study [117.08431221482638]
解釈可能性の欠如、堅牢性、分布外一般化が、既存の視覚モデルの課題となっている。
人間レベルのエージェントの強い推論能力にインスパイアされた近年では、因果推論パラダイムの開発に多大な努力が注がれている。
本稿では,この新興分野を包括的に概観し,注目し,議論を奨励し,新たな因果推論手法の開発の急激さを先導することを目的とする。
論文 参考訳(メタデータ) (2022-04-26T02:22:28Z) - A Survey on Offline Reinforcement Learning: Taxonomy, Review, and Open
Problems [0.0]
強化学習(RL)は、急速に人気が高まっている。
高いコストと環境との相互作用の危険性のため、RLにはアクセスできない領域がまだ広い範囲にある。
オフラインRLは、以前に収集されたインタラクションの静的データセットからのみ学習するパラダイムである。
論文 参考訳(メタデータ) (2022-03-02T20:05:11Z) - Sharing to learn and learning to share -- Fitting together
Meta-Learning, Multi-Task Learning, and Transfer Learning: A meta review [5.024528292445318]
トランスファーラーニング、メタラーニング、マルチタスクラーニングは、新しいタスクに先行知識を活用することで、人間の学習プロセスを反映する。
ある学習アルゴリズムの弱点は、他の学習アルゴリズムの強みであることが判明した。
本稿では,これら2つの学習アルゴリズムを組み合わせた研究のレビューを行う。
論文 参考訳(メタデータ) (2021-11-23T20:41:06Z) - Towards a theory of out-of-distribution learning [22.55793847392211]
我々は,学習者が与えられた問題に対してデータを活用することができる量を定量化するために,テキストバッファラーニング効率(LE)を導入する。
本稿では,このフレームワークが伝達,マルチタスク,メタ,継続,生涯学習を特徴付けるのにいかに汎用的であるかを示す。
論文 参考訳(メタデータ) (2021-09-29T15:35:16Z) - Provable Meta-Learning of Linear Representations [114.656572506859]
我々は、複数の関連するタスクから共通の機能の集合を学習し、その知識を新しい未知のタスクに転送する、という2つの課題に対処する、高速でサンプル効率のアルゴリズムを提供する。
また、これらの線形特徴を学習する際のサンプルの複雑さに関する情報理論の下限も提供する。
論文 参考訳(メタデータ) (2020-02-26T18:21:34Z)
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。