論文の概要: DeepTopPush: Simple and Scalable Method for Accuracy at the Top
- arxiv url: http://arxiv.org/abs/2006.12293v1
- Date: Mon, 22 Jun 2020 14:26:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 05:39:23.267205
- Title: DeepTopPush: Simple and Scalable Method for Accuracy at the Top
- Title（参考訳）: deeptoppush: トップの正確性のためのシンプルでスケーラブルな方法
- Authors: Luk\'a\v{s} Adam, V\'aclav M\'acha, V\'aclav \v{S}m\'idl
- Abstract要約: 上位の精度は、少数の関連する(トップ)サンプルでのみ性能が評価される、バイナリ分類問題の特別なクラスである。
任意の(ディープ)ネットワークの形で分類器を検討し、トップロス関数を最小化するための新しい手法DeepTopPushを提案する。
我々は、視覚認識データセットにおけるDeepTopPushの優れた性能と、薬物検査のために少数の分子を選択する実世界の応用を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accuracy at the top is a special class of binary classification problems
where the performance is evaluated only on a small number of relevant (top)
samples. Applications include information retrieval systems or processes with
manual (expensive) postprocessing. This leads to the minimization of irrelevant
samples above a threshold. We consider classifiers in the form of an arbitrary
(deep) network and propose a new method DeepTopPush for minimizing the top loss
function. Since the threshold depends on all samples, the problem is
non-decomposable. We modify the stochastic gradient descent to handle the
non-decomposability in an end-to-end training manner and propose a way to
estimate the threshold only from values on the current minibatch. We
demonstrate the good performance of DeepTopPush on visual recognition datasets
and on a real-world application of selecting a small number of molecules for
further drug testing.
- Abstract（参考訳）: 上位の精度は、少数の関連する(トップ)サンプルでのみ性能を評価するバイナリ分類問題の特別なクラスである。
アプリケーションには、情報検索システムや手作業による後処理を伴うプロセスが含まれる。
これは閾値を超える無関係なサンプルの最小化につながる。
任意の(ディープ)ネットワークの形で分類器を検討し、トップロス関数を最小化するための新しい手法DeepTopPushを提案する。
しきい値はすべてのサンプルに依存するので、問題は分解できない。
確率勾配降下をエンドツーエンドのトレーニング方法で非可逆性を扱うように修正し、現在のミニバッチの値のみから閾値を推定する方法を提案する。
我々は、視覚認識データセットにおけるDeepTopPushの優れた性能と、薬物検査のために少数の分子を選択する実世界の応用を実証する。
関連論文リスト
- Evaluating Graph Neural Networks for Link Prediction: Current Pitfalls
and New Benchmarking [66.83273589348758]
リンク予測は、グラフのエッジの一部のみに基づいて、目に見えないエッジが存在するかどうかを予測しようとする。
近年,この課題にグラフニューラルネットワーク(GNN)を活用すべく,一連の手法が導入されている。
これらの新しいモデルの有効性をよりよく評価するために、新しい多様なデータセットも作成されている。
論文 参考訳（メタデータ） (2023-06-18T01:58:59Z) - Fake It Till You Make It: Near-Distribution Novelty Detection by
Score-Based Generative Models [54.182955830194445]
既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。
本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。
本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
論文 参考訳（メタデータ） (2022-05-28T02:02:53Z) - Questions for Flat-Minima Optimization of Modern Neural Networks [28.12506392321345]
平らなミニマを見つけるには, 平均化法(ウェイト平均化, SWA)と最小化法(アウェア, シャープネス最小化, SAM)の2つの方法が重要である。
本稿では,コンピュータビジョン,自然言語処理,グラフ学習タスクにまたがるこれらのアプローチの系統的なベンチマークから,損失曲面を考察する。
論文 参考訳（メタデータ） (2022-02-01T18:56:15Z) - Transformers Can Do Bayesian Inference [56.99390658880008]
我々はPFN(Presideed Data Fitted Networks)を提案する。
PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。
我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
論文 参考訳（メタデータ） (2021-12-20T13:07:39Z) - Bridging the Theoretical Bound and Deep Algorithms for Open Set Domain
Adaptation [40.95099721257058]
教師なしオープンセットドメイン適応(UOSDA)では、ターゲットドメインはソースドメインで観測されていない未知のクラスを含む。
提案手法は,ソースドメインリスク,$epsilon$-openset difference(Delta_epsilon$),ドメイン間の分布差,定数の4つの条件を含む。
具体的には、ソースドメインリスクと$Delta_epsilon$は勾配降下によって最小化され、分散の相違は、新しいオープンセット条件付き対向訓練戦略によって最小化される。
論文 参考訳（メタデータ） (2020-06-23T14:01:06Z) - Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。
サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。
サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
論文 参考訳（メタデータ） (2020-06-11T16:19:16Z) - A Note on Deepfake Detection with Low-Resources [0.0]
ディープフェイク(Deepfakes)とは、ニューラルネットワークを使って顔が違う人物の顔に代わることの多い、変化を含むビデオである。
本稿では,ユーザのDeepfakesを計算能力に乏しく検出する2つの方法を提案する。
論文 参考訳（メタデータ） (2020-06-09T11:07:08Z) - Detection in Crowded Scenes: One Proposal, Multiple Predictions [79.28850977968833]
混み合ったシーンにおける高過度なインスタンスを検出することを目的とした,提案手法によるオブジェクト検出手法を提案する。
このアプローチの鍵は、各提案が以前の提案ベースのフレームワークの1つではなく、関連したインスタンスのセットを予測できるようにすることです。
我々の検出器は、CrowdHumanデータセットの挑戦に対して4.9%のAPゲインを得ることができ、CityPersonsデータセットでは1.0%$textMR-2$の改善がある。
論文 参考訳（メタデータ） (2020-03-20T09:48:53Z) - Frustratingly Simple Few-Shot Object Detection [98.42824677627581]
希少なクラスにおける既存検出器の最後の層のみを微調整することは、数発の物体検出タスクに不可欠である。
このような単純なアプローチは、現在のベンチマークで約220ポイントのメタ学習方法より優れている。
論文 参考訳（メタデータ） (2020-03-16T00:29:14Z)
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。