Fugu-MT 論文翻訳(概要): On Class Orderings for Incremental Learning

論文の概要: On Class Orderings for Incremental Learning

arxiv url: http://arxiv.org/abs/2007.02145v2
Date: Tue, 7 Jul 2020 06:46:16 GMT
ステータス: 処理完了
システム内更新日: 2022-11-13 13:36:50.873304
Title: On Class Orderings for Incremental Learning
Title（参考訳）: インクリメンタル学習のための授業順序付けについて
Authors: Marc Masana, Bart{\l}omiej Twardowski, Joost van de Weijer
Abstract要約: 本稿では,データセットの様々な順序を計算する手法を提案する。提案した注文に対して,最先端のインクリメンタル学習手法を幅広く評価する。
参考スコア（独自算出の注目度）: 36.39530025852268
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The influence of class orderings in the evaluation of incremental learning has received very little attention. In this paper, we investigate the impact of class orderings for incrementally learned classifiers. We propose a method to compute various orderings for a dataset. The orderings are derived by simulated annealing optimization from the confusion matrix and reflect different incremental learning scenarios, including maximally and minimally confusing tasks. We evaluate a wide range of state-of-the-art incremental learning methods on the proposed orderings. Results show that orderings can have a significant impact on performance and the ranking of the methods.
Abstract（参考訳）: 授業順序がインクリメンタル学習の評価に及ぼす影響は,ほとんど注目されていない。本稿では,インクリメンタルに学習される分類器に対するクラス順序の影響について検討する。本稿では,データセットの様々な順序を計算する手法を提案する。順序付けは、混乱行列からシミュレーションアニール最適化を導き、最大および最小の混乱タスクを含む様々な漸進学習シナリオを反映する。提案した注文に対して,最先端の逐次学習手法を幅広く評価する。その結果、順序付けはパフォーマンスとメソッドのランク付けに大きな影響を与える可能性がある。

関連論文リスト

MALADY: Multiclass Active Learning with Auction Dynamics on Graphs [0.9831489366502301]
効率的なアクティブラーニングのためのマルチクラスアクティブラーニングとオークション・ダイナミクス・オン・グラフ(MALADY)フレームワークを提案する。我々は[24]における半教師付き学習のための類似性グラフ上のオークションダイナミクスアルゴリズムを一般化し、より一般的な最適化関数を組み込む。また,オークションアルゴリズムの双対変数を用いて,分類器内の不確実性を測定し,異なるクラス間の決定境界付近のクエリを優先順位付けする,新しい能動的学習獲得関数を導入する。
論文参考訳（メタデータ） (2024-09-14T16:20:26Z)
Few-shot Classification via Ensemble Learning with Multi-Order Statistics [9.145742362513932]
基本クラスにおけるアンサンブル学習を活用することで,新たなクラスにおける真の誤りを低減できることを示す。本稿では,多階統計を用いたアンサンブル学習法(ELMOS)を提案する。提案手法は,複数ショットの分類ベンチマークデータセット上で,最先端の性能を実現することができることを示す。
論文参考訳（メタデータ） (2023-04-30T11:41:01Z)
Learning by Sorting: Self-supervised Learning with Group Ordering Constraints [75.89238437237445]
本稿では,対照学習目標である群順序制約(GroCo)の新たなバリエーションを提案する。正の対と負の対の距離をソートし、正の対が負の対よりも多くの距離を持つかに基づいてそれぞれの損失を計算するという考え方を利用しており、したがって正しく順序付けされていない。各種自己教師付き学習ベンチマークの定式化について検討し、バニラのコントラスト学習と比較して結果が向上するだけでなく、k-NNの性能において、線形探索や性能向上において同等の手法と競合する性能を示すことを示す。
論文参考訳（メタデータ） (2023-01-05T11:17:55Z)
Fine-Grained Visual Classification using Self Assessment Classifier [12.596520707449027]
識別的特徴の抽出は、きめ細かい視覚的分類タスクにおいて重要な役割を担っている。本稿では,画像とトップkの予測クラスを同時に活用する自己評価手法を提案する。本手法は,CUB200-2011,Stanford Dog,FGVC Aircraft のデータセットに対して,最新の結果が得られることを示す。
論文参考訳（メタデータ） (2022-05-21T07:41:27Z)
Discovering Non-monotonic Autoregressive Orderings with Variational Inference [67.27561153666211]
我々は、訓練データから高品質な生成順序を純粋に検出する、教師なし並列化可能な学習装置を開発した。エンコーダを非因果的注意を持つトランスフォーマーとして実装し、1つのフォワードパスで置換を出力する。言語モデリングタスクにおける経験的結果から,我々の手法は文脈認識であり,一定の順序と競合する,あるいはより優れた順序を見つけることができる。
論文参考訳（メタデータ） (2021-10-27T16:08:09Z)
Ensemble Learning Based Classification Algorithm Recommendation [8.94752302607367]
本稿では,アンサンブル学習に基づくアルゴリズム推薦手法を提案する。提案手法を評価するために,13の既知の候補分類アルゴリズムと5種類のメタ特徴を用いた1090のベンチマーク分類問題に関する広範な実験を行った。
論文参考訳（メタデータ） (2021-01-15T07:14:51Z)
Few-shot Sequence Learning with Transformers [79.87875859408955]
少数のトレーニング例で提供される新しいタスクの学習を目的とした少数のショットアルゴリズム。本研究では,データポイントがトークンのシーケンスである設定において,少数ショット学習を行う。トランスフォーマーに基づく効率的な学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-12-17T12:30:38Z)
PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。ピランクは所望の指標をゼロ温度の限界で正確に回収する。
論文参考訳（メタデータ） (2020-12-12T05:07:36Z)
Uncovering Coresets for Classification With Multi-Objective Evolutionary Algorithms [0.8057006406834467]
coresetはトレーニングセットのサブセットであり、機械学習アルゴリズムが元のデータ全体にわたってトレーニングされた場合の成果と同じようなパフォーマンスを取得する。候補コルセットは反復的に最適化され、サンプルの追加と削除が行われる。多目的進化アルゴリズムは、集合内の点数と分類誤差を同時に最小化するために用いられる。
論文参考訳（メタデータ） (2020-02-20T09:59:56Z)
Hierarchical Variational Imitation Learning of Control Programs [131.7671843857375]
パラメータ化された階層的手順(PHP)で表される制御ポリシーの模倣学習のための変分推論手法を提案する。本手法は, 教師による実演の観察・行動トレースのデータセットにおける階層構造を, 手続き呼び出しや用語の待ち行列に近似した後続分布を学習することによって発見する。階層的模倣学習(hierarchical mimicion learning)の文脈における変分推論の新たな利点を実証する。
論文参考訳（メタデータ） (2019-12-29T08:57:02Z)

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。