論文の概要: Bias-Awareness for Zero-Shot Learning the Seen and Unseen
- arxiv url: http://arxiv.org/abs/2008.11185v1
- Date: Tue, 25 Aug 2020 17:38:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 04:11:06.828840
- Title: Bias-Awareness for Zero-Shot Learning the Seen and Unseen
- Title(参考訳): ゼロショット学習における知覚と知覚のバイアス認識
- Authors: William Thong and Cees G.M. Snoek
- Abstract要約: 一般化されたゼロショット学習は、目に見えないクラスと見えないクラスの両方からの入力を認識する。
一般化ゼロショット学習のための意味埋め込み空間に入力をマッピングするバイアス対応学習者を提案する。
- 参考スコア(独自算出の注目度): 47.09887661463657
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generalized zero-shot learning recognizes inputs from both seen and unseen
classes. Yet, existing methods tend to be biased towards the classes seen
during training. In this paper, we strive to mitigate this bias. We propose a
bias-aware learner to map inputs to a semantic embedding space for generalized
zero-shot learning. During training, the model learns to regress to real-valued
class prototypes in the embedding space with temperature scaling, while a
margin-based bidirectional entropy term regularizes seen and unseen
probabilities. Relying on a real-valued semantic embedding space provides a
versatile approach, as the model can operate on different types of semantic
information for both seen and unseen classes. Experiments are carried out on
four benchmarks for generalized zero-shot learning and demonstrate the benefits
of the proposed bias-aware classifier, both as a stand-alone method or in
combination with generated features.
- Abstract(参考訳): 一般化されたゼロショット学習は、見たクラスと見えないクラスの両方からの入力を認識する。
しかし、既存のメソッドはトレーニング中に見られるクラスに偏りがちである。
本稿では,このバイアスを緩和しようと試みる。
一般化ゼロショット学習のための意味埋め込み空間に入力をマッピングするバイアス対応学習者を提案する。
トレーニング中、モデルは、温度スケーリングを伴う埋め込み空間における実数値クラスプロトタイプへの回帰を学習し、マージンベースの双方向エントロピー用語は、見えて見えない確率を正規化する。
実数値のセマンティクス埋め込み空間に依存することは、モデルが見たクラスと見えないクラスの両方の異なるタイプのセマンティクス情報を操作できるため、多用途なアプローチを提供する。
一般化ゼロショット学習のための4つのベンチマークを用いて実験を行い,提案するバイアスアウェア分類器の利点を,単独の手法として,あるいは生成した特徴と組み合わせて実証した。
関連論文リスト
- Memory Consistency Guided Divide-and-Conquer Learning for Generalized
Category Discovery [56.172872410834664]
一般カテゴリー発見(GCD)は、半教師付き学習のより現実的で挑戦的な設定に対処することを目的としている。
メモリ一貫性を誘導する分枝・分枝学習フレームワーク(MCDL)を提案する。
本手法は,画像認識の目に見えるクラスと見えないクラスの両方において,最先端のモデルよりも優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-24T09:39:45Z) - Beyond Prototypes: Semantic Anchor Regularization for Better
Representation Learning [82.29761875805369]
表現学習の最終的な目標の1つは、クラス内のコンパクトさとクラス間の十分な分離性を達成することである。
本稿では,機能セントロイドとして機能する事前定義されたクラスアンカーを用いて,特徴学習を一方向ガイドする新しい視点を提案する。
提案したSemantic Anchor Regularization (SAR) は,既存モデルのプラグアンドプレイ方式で使用することができる。
論文 参考訳(メタデータ) (2023-12-19T05:52:38Z) - Alignment-Uniformity aware Representation Learning for Zero-shot Video
Classification [3.6954802719347413]
本稿では,目に見えるクラスと目に見えないクラスの両方の表現に対して,アライメントと均一性を保ったエンドツーエンドフレームワークを提案する。
実験の結果,UCF101では28.1%,HMDB51では27.0%,SOTAでは28.1%が有意に向上した。
論文 参考訳(メタデータ) (2022-03-29T09:21:22Z) - Towards the Generalization of Contrastive Self-Supervised Learning [11.889992921445849]
本稿では, 自己教師付き事前学習モデルが下流タスクにどのように一般化するかを理論的に説明する。
さらに,SimCLR と Barlow Twins についても検討する。
論文 参考訳(メタデータ) (2021-11-01T07:39:38Z) - CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action
Recognition [52.66360172784038]
各インスタンスを個別に最適化するのではなく,すべてのトレーニングサンプルを同時に考慮したクラスタリングモデルを提案する。
提案手法をCLASTERと呼び,すべての標準データセットの最先端性を常に改善することを確認する。
論文 参考訳(メタデータ) (2021-01-18T12:46:24Z) - Entropy-Based Uncertainty Calibration for Generalized Zero-Shot Learning [49.04790688256481]
一般化ゼロショット学習(GZSL)の目的は、目に見えないクラスと見えないクラスの両方を認識することである。
ほとんどのGZSLメソッドは、通常、見えないクラスの意味情報から視覚表現を合成することを学ぶ。
本論文では,三重項損失を持つ2重変分オートエンコーダを利用する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-01-09T05:21:27Z) - Null It Out: Guarding Protected Attributes by Iterative Nullspace
Projection [51.041763676948705]
Iterative Null-space Projection (INLP) は神経表現から情報を取り除く新しい方法である。
提案手法は,単語埋め込みにおけるバイアスを軽減するとともに,複数クラス分類の設定において公平性を高めることができることを示す。
論文 参考訳(メタデータ) (2020-04-16T14:02:50Z) - Domain segmentation and adjustment for generalized zero-shot learning [22.933463036413624]
ゼロショット学習では、見えないデータを生成モデルで合成することは、見えないクラスと見えないクラスのトレーニングデータの不均衡に対処する最も一般的な方法である。
未確認データの合成は、トレーニングデータの不均衡に起因する領域シフトに対処するための理想的なアプローチではないと我々は主張する。
本稿では,異なる領域における一般化されたゼロショット認識を実現することを提案する。
論文 参考訳(メタデータ) (2020-02-01T15:00:56Z)
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。