論文の概要: Leveraging Class Hierarchies with Metric-Guided Prototype Learning

• arxiv url: http://arxiv.org/abs/2007.03047v3
• Date: Mon, 29 Nov 2021 14:07:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 01:15:57.269826
• Title: Leveraging Class Hierarchies with Metric-Guided Prototype Learning
• Title（参考訳）: Metric-Guided Prototype Learningによるクラス階層の活用
• Authors: Vivien Sainte Fare Garnot and Loic Landrieu
• Abstract要約: 多くの分類タスクでは、ターゲットクラスのセットは階層に分類できる。 この構造はクラス間の意味的距離を誘導し、コスト行列の形で要約することができる。 本稿では,この指標を原型ネットワークの監視に組み込むことにより,階層型クラス構造をモデル化することを提案する。
• 参考スコア（独自算出の注目度）: 5.070542698701158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many classification tasks, the set of target classes can be organized into a hierarchy. This structure induces a semantic distance between classes, and can be summarised under the form of a cost matrix, which defines a finite metric on the class set. In this paper, we propose to model the hierarchical class structure by integrating this metric in the supervision of a prototypical network. Our method relies on jointly learning a feature-extracting network and a set of class prototypes whose relative arrangement in the embedding space follows an hierarchical metric. We show that this approach allows for a consistent improvement of the error rate weighted by the cost matrix when compared to traditional methods and other prototype-based strategies. Furthermore, when the induced metric contains insight on the data structure, our method improves the overall precision as well. Experiments on four different public datasets - from agricultural time series classification to depth image semantic segmentation - validate our approach.
• Abstract（参考訳）: 多くの分類タスクでは、ターゲットクラスのセットを階層にまとめることができる。 この構造はクラス間の意味的距離を誘導し、クラス集合上の有限計量を定義するコスト行列の形で要約することができる。 本稿では,このメトリクスを先駆的ネットワークの監督下に統合することで階層的クラス構造をモデル化することを提案する。 組込み空間における相対配置が階層的計量に従うような特徴抽出ネットワークとクラスプロトタイプの集合を共同で学習することに依存する。 従来の手法やプロトタイプベースの手法と比較して,コスト行列によって重み付けされた誤差率を一貫して改善できることを示す。 さらに,誘導メトリックがデータ構造に関する洞察を含んでいる場合,提案手法は全体の精度も向上する。 農業時系列分類から深度画像セマンティックセグメンテーションまでの4つの公開データセットの実験は、我々のアプローチを検証する。

関連論文リスト

• From Logits to Hierarchies: Hierarchical Clustering made Simple [16.132657141993548]
  事前訓練された非階層クラスタリングモデル上に実装された軽量なプロシージャは、階層クラスタリングに特化して設計されたモデルより優れていることを示す。 提案手法は,微調整を必要とせず,ログを出力する事前学習クラスタリングモデルに適用可能である。
  論文  参考訳（メタデータ） (2024-10-10T12:27:45Z)
• A Fixed-Point Approach to Unified Prompt-Based Counting [51.20608895374113]
  本研究の目的は,ボックス,ポイント,テキストなど,さまざまなプロンプト型で示されるオブジェクトの密度マップを生成することができる包括的プロンプトベースのカウントフレームワークを確立することである。 本モデルは,クラスに依存しない顕著なデータセットに優れ,データセット間の適応タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T12:05:44Z)
• Exploiting Data Hierarchy as a New Modality for Contrastive Learning [0.0]
  この研究は、階層的に構造化されたデータが、ニューラルネットワークが大聖堂の概念的な表現を学ぶのにどのように役立つかを研究する。 基礎となるWikiScenesデータセットは、大聖堂の構成要素の空間的に整理された階層構造を提供する。 本稿では,エンコーダの潜伏空間におけるデータ空間階層を表現するために,三重項マージン損失を利用した新しい階層的コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T21:47:49Z)
• Generating Hierarchical Structures for Improved Time Series Classification Using Stochastic Splitting Functions [0.0]
  本研究では,階層分類(HC)による多クラスデータセットの分類性能を高めるために,分割関数(SSF)を用いた新しい階層分割クラスタリング手法を提案する。 この方法は、明示的な情報を必要とせずに階層を生成するユニークな能力を持ち、階層の事前の知識を欠いたデータセットに適している。
  論文  参考訳（メタデータ） (2023-09-21T10:34:50Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Inspecting class hierarchies in classification-based metric learning models [0.0]
  我々は、ベンチマークと実世界のデータセット上で、いくつかのトレーニングオプションを備えたソフトマックス分類器と3つのメトリック学習モデルを訓練する。 我々は,学習したクラスの代表者や階層的インフォームドのパフォーマンス,すなわち分類性能とメートル法学習性能を事前に定義された階層構造を考慮し,階層的推論性能を評価する。
  論文  参考訳（メタデータ） (2023-01-26T12:40:12Z)
• A Similarity-based Framework for Classification Task [21.182406977328267]
  類似性に基づく手法は,複数ラベル学習のための新しい手法のクラスを生み出し,有望な性能を達成する。 類似性に基づく学習と一般化された線形モデルを組み合わせて、両方の世界のベストを達成します。
  論文  参考訳（メタデータ） (2022-03-05T06:39:50Z)
• Contextualizing Meta-Learning via Learning to Decompose [125.76658595408607]
  本稿では,メタ学習型サポート・ツー・ターゲット戦略の文脈化を図るために,ネットワーク(LeadNet)を分解する学習を提案する。 LeadNetは、コンテキスト間の比較をポリセムの埋め込みに組み込むことで、右に関連付けられた戦略を自動的に選択することを学ぶ。
  論文  参考訳（メタデータ） (2021-06-15T13:10:56Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。