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

• CLOSER: Towards Better Representation Learning for Few-Shot Class-Incremental Learning [52.63674911541416]
  FSCIL(Few-shot class-incremental Learning)は、過剰適合や忘れなど、いくつかの課題に直面している。 FSCILの独特な課題に取り組むため、ベースクラスでの表現学習に重点を置いている。 より制限された機能空間内で機能の拡散を確保することで、学習された表現が、伝達可能性と識別可能性のバランスを良くすることが可能になることが分かりました。
  論文  参考訳（メタデータ） (2024-10-08T02:23:16Z)
• Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
  検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。 本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
  論文  参考訳（メタデータ） (2024-07-17T20:01:21Z)
• Heterogeneous Contrastive Learning for Foundation Models and Beyond [73.74745053250619]
  ビッグデータと人工知能の時代において、新しいパラダイムは、大規模な異種データをモデル化するために、対照的な自己教師付き学習を活用することである。 本調査は基礎モデルの異種コントラスト学習の現況を批判的に評価する。
  論文  参考訳（メタデータ） (2024-03-30T02:55:49Z)
• 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 [7.595948982978669]
  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)について概説する。 現在のCSSモデルを、データ再生とデータフリーセットを含む2つのメインブランチに分類し、分類する。 また、多様なアプリケーションシナリオと開発傾向を持つ4つのCSS特長も導入しています。
  論文  参考訳（メタデータ） (2023-10-22T11:53:56Z)
• A Recent Survey of Heterogeneous Transfer Learning [15.830786437956144]
  異種移動学習は 様々なタスクにおいて 重要な戦略となっている。 データベースとモデルベースの両方のアプローチを網羅した60以上のHTLメソッドの広範なレビューを提供する。 自然言語処理,コンピュータビジョン,マルチモーダル学習,バイオメディシンの応用について検討する。
  論文  参考訳（メタデータ） (2023-10-12T16:19:58Z)
• 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)

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。