論文の概要: Learning to Learn in a Semi-Supervised Fashion

• arxiv url: http://arxiv.org/abs/2008.11203v1
• Date: Tue, 25 Aug 2020 17:59:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 03:16:24.423931
• Title: Learning to Learn in a Semi-Supervised Fashion
• Title（参考訳）: 半スーパービジョンのファッションで学ぶ
• Authors: Yun-Chun Chen, Chao-Te Chou, Yu-Chiang Frank Wang
• Abstract要約: 本稿では,ラベル付きデータとラベルなしデータの両方から半教師付き学習を行うメタ学習手法を提案する。 我々の戦略は、完全に教師付き学習タスクに適用可能な自己教師付き学習スキームとみなすことができる。
• 参考スコア（独自算出の注目度）: 41.38876517851431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To address semi-supervised learning from both labeled and unlabeled data, we present a novel meta-learning scheme. We particularly consider that labeled and unlabeled data share disjoint ground truth label sets, which can be seen tasks like in person re-identification or image retrieval. Our learning scheme exploits the idea of leveraging information from labeled to unlabeled data. Instead of fitting the associated class-wise similarity scores as most meta-learning algorithms do, we propose to derive semantics-oriented similarity representations from labeled data, and transfer such representation to unlabeled ones. Thus, our strategy can be viewed as a self-supervised learning scheme, which can be applied to fully supervised learning tasks for improved performance. Our experiments on various tasks and settings confirm the effectiveness of our proposed approach and its superiority over the state-of-the-art methods.
• Abstract（参考訳）: ラベル付きデータとラベル付きデータの両方から半教師付き学習に対処するために,新しいメタ学習方式を提案する。 特に,ラベル付きデータとラベルなしデータは,個人再同定や画像検索などのタスクで見られるような,相互に結合した基底的真理ラベルセットを共有していると考える。 学習手法はラベル付きデータからラベルなしデータへの情報活用の考え方を利用する。 多くのメタ学習アルゴリズムが行うように、関連するクラス単位の類似度スコアを適合させる代わりに、ラベル付きデータから意味論的指向の類似度表現を導出し、ラベルなしデータへ変換する。 このように、我々の戦略は自己指導型学習スキームとみなすことができ、完全に教師付き学習タスクに適用して性能を向上させることができる。 様々な課題と設定に関する実験により,提案手法の有効性と最先端手法に対する優位性を確認した。

関連論文リスト

• A review on discriminative self-supervised learning methods [6.24302896438145]
  ラベルのないデータからロバストな特徴を抽出する手法として自己教師付き学習が登場した。 本稿では,コンピュータビジョン分野における自己教師型学習の差別的アプローチについて概説する。
  論文  参考訳（メタデータ） (2024-05-08T11:15:20Z)
• Reinforced Labels: Multi-Agent Deep Reinforcement Learning for Point-Feature Label Placement [0.0]
  データビジュアライゼーションにおける複雑なタスクである配置のラベル付けにReinforcement Learning(RL)を導入する。 提案手法は,多エージェント深層強化学習を用いてラベル配置戦略を学習する。 提案手法により訓練された戦略は,未学習エージェントのランダムな戦略よりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-03-02T16:18:00Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• Open-Set Representation Learning through Combinatorial Embedding [62.05670732352456]
  ラベル付きクラスとラベルなしクラスの両方の例に基づく表現学習を通じて、データセットにおける新しい概念を識別することに興味がある。 異種ラベル空間上の複数の教師付きメタクラス分類器によって与えられる構成知識を用いて、自然に未知のクラス内のサンプルをクラスタリングする学習手法を提案する。 提案アルゴリズムは,未確認クラスの識別性の向上と,新しいクラスに一般化可能な既知のクラス表現の学習を併用して,新しい概念を探索する。
  論文  参考訳（メタデータ） (2021-06-29T11:51:57Z)
• OpenCoS: Contrastive Semi-supervised Learning for Handling Open-set Unlabeled Data [65.19205979542305]
  ラベル付けされていないデータには、実際にはクラス外のサンプルが含まれる。 OpenCoSは、このリアルな半教師付き学習シナリオを扱う方法である。
  論文  参考訳（メタデータ） (2021-06-29T06:10:05Z)
• Adversarial Knowledge Transfer from Unlabeled Data [62.97253639100014]
  本稿では,インターネット規模の未ラベルデータから知識を伝達し,分類器の性能を向上させるための新しいAdversarial Knowledge Transferフレームワークを提案する。 我々の手法の重要な新しい側面は、ラベル付けされていないソースデータは、ラベル付けされたターゲットデータと異なるクラスであることができ、個別のプリテキストタスクを定義する必要がないことである。
  論文  参考訳（メタデータ） (2020-08-13T08:04:27Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)
• Active Learning for Entity Alignment [25.234850999782953]
  エンティティアライメントのラベル付けが、クラスラベルを単一インスタンスに割り当てることとどのように異なるかを示す。 主な発見の1つは、効率的な事前計算とデプロイが容易な受動的学習アプローチが、アクティブな学習戦略に匹敵するパフォーマンスを達成することである。
  論文  参考訳（メタデータ） (2020-01-24T10:33:08Z)
• End-to-end Learning, with or without Labels [2.298932494750101]
  本稿では,ラベルのないデータから特徴表現を共同で学習するエンド・ツー・エンド・ラーニングのアプローチを提案する。 提案手法はラベル付きデータやラベルなしデータでも使用でき、監督の量に応じて優雅に調整できる。
  論文  参考訳（メタデータ） (2019-12-30T16:11:40Z)

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。