論文の概要: SEEC: Semantic Vector Federation across Edge Computing Environments

• arxiv url: http://arxiv.org/abs/2008.13298v1
• Date: Sun, 30 Aug 2020 23:51:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 12:11:28.231801
• Title: SEEC: Semantic Vector Federation across Edge Computing Environments
• Title（参考訳）: SEEC:エッジコンピューティング環境におけるセマンティックベクトルフェデレーション
• Authors: Shalisha Witherspoon, Dean Steuer, Graham Bent, Nirmit Desai
• Abstract要約: 最先端の埋め込みアプローチは、すべてのデータが単一のサイトで利用可能であると仮定する。 多くのビジネス環境では、データは複数のエッジロケーションに分散しており、集約することはできない。 本稿では,emphSEECと呼ばれる新しい非教師付きアルゴリズムを提案し,様々な分散環境にセマンティックベクトル埋め込みを適用して学習する。
• 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: Semantic vector embedding techniques have proven useful in learning semantic representations of data across multiple domains. A key application enabled by such techniques is the ability to measure semantic similarity between given data samples and find data most similar to a given sample. State-of-the-art embedding approaches assume all data is available on a single site. However, in many business settings, data is distributed across multiple edge locations and cannot be aggregated due to a variety of constraints. Hence, the applicability of state-of-the-art embedding approaches is limited to freely shared datasets, leaving out applications with sensitive or mission-critical data. This paper addresses this gap by proposing novel unsupervised algorithms called \emph{SEEC} for learning and applying semantic vector embedding in a variety of distributed settings. Specifically, for scenarios where multiple edge locations can engage in joint learning, we adapt the recently proposed federated learning techniques for semantic vector embedding. Where joint learning is not possible, we propose novel semantic vector translation algorithms to enable semantic query across multiple edge locations, each with its own semantic vector-space. Experimental results on natural language as well as graph datasets show that this may be a promising new direction.
• Abstract（参考訳）: 意味ベクトル埋め込み技術は、複数の領域にわたるデータのセマンティック表現の学習に有用であることが証明されている。 このようなテクニックによって実現された重要なアプリケーションは、与えられたデータサンプル間のセマンティックな類似度を測定し、与えられたサンプルと最もよく似たデータを見つける能力である。 最先端の埋め込みアプローチは、すべてのデータが単一のサイトで利用可能であると仮定する。 しかし、多くのビジネス環境では、データは複数のエッジロケーションに分散しており、さまざまな制約のために集約できない。 したがって、最先端の埋め込みアプローチの適用性は、機密性やミッションクリティカルなデータを持つアプリケーションを排除して、自由に共有されるデータセットに限られる。 本稿では, セマンティックベクターの組込みを多種多様な分散環境で学習し, 適用するための新しい教師なしアルゴリズム「emph{SEEC}」を提案する。 具体的には,複数のエッジロケーションが共同学習に関与するシナリオに対して,最近提案する統合学習手法を意味ベクトル埋め込みに適用する。 共同学習が不可能な場合,複数のエッジにまたがるセマンティックなクエリを,それぞれ独自のセマンティックなベクトル空間で実現するための,新しいセマンティックなベクトル変換アルゴリズムを提案する。 自然言語とグラフデータセットの実験結果から、これは有望な新しい方向かもしれない。

関連論文リスト

• infoVerse: A Universal Framework for Dataset Characterization with Multidimensional Meta-information [68.76707843019886]
  infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。 infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。 実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2023-05-30T18:12:48Z)
• Self-Supervised Representation Learning With MUlti-Segmental Informational Coding (MUSIC) [6.693379403133435]
  自己教師付き表現学習は、高次元データを意味のある埋め込み空間にマッピングする。 自己教師型表現学習のためのMUSIC(MUlti-Segmental Informational Coding)を提案する。
  論文  参考訳（メタデータ） (2022-06-13T20:37:48Z)
• Detection Hub: Unifying Object Detection Datasets via Query Adaptation on Language Embedding [137.3719377780593]
  新しいデザイン(De Detection Hubという名前)は、データセット認識とカテゴリ整列である。 データセットの不整合を緩和し、検出器が複数のデータセットをまたいで学習するための一貫性のあるガイダンスを提供する。 データセット間のカテゴリは、ワンホットなカテゴリ表現を単語埋め込みに置き換えることで、意味的に統一された空間に整列される。
  論文  参考訳（メタデータ） (2022-06-07T17:59:44Z)
• 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)
• Dominant Set-based Active Learning for Text Classification and its Application to Online Social Media [0.0]
  本稿では,最小限のアノテーションコストで大規模未ラベルコーパスのトレーニングを行うための,プールベースのアクティブラーニング手法を提案する。 提案手法には調整すべきパラメータが一切ないため,データセットに依存しない。 本手法は,最先端のアクティブラーニング戦略と比較して高い性能を実現する。
  論文  参考訳（メタデータ） (2022-01-28T19:19:03Z)
• Seeking Similarities over Differences: Similarity-based Domain Alignment for Adaptive Object Detection [86.98573522894961]
  本研究では,Unsupervised Domain Adaptation (UDA) アルゴリズムが検出に使用するコンポーネントを一般化するフレームワークを提案する。 具体的には、最適な設計選択を生かした新しいUDAアルゴリズムViSGAを提案し、インスタンスレベルの特徴を集約する単純だが効果的な方法を提案する。 類似性に基づくグループ化と対角トレーニングの両方により、モデルでは、ゆるやかに整列されたドメインにまたがるすべてのインスタンスにマッチせざるを得ず、機能グループを粗い整列することに集中することが可能であることが示されています。
  論文  参考訳（メタデータ） (2021-10-04T13:09:56Z)
• Improving Deep Metric Learning by Divide and Conquer [11.380358587116683]
  ディープ・メトリック・ラーニング(DML)は多くのコンピュータ・ビジョン・アプリケーションの基盤となっている。 入力ドメインから埋め込み空間へのマッピングを学習することを目的としている。 埋め込み空間とデータを階層的に小さな部分に分割することで、より表現力のある表現を構築することを提案する。
  論文  参考訳（メタデータ） (2021-09-09T02:57:34Z)
• Flexible deep transfer learning by separate feature embeddings and manifold alignment [0.0]
  オブジェクト認識は、業界と防衛において重要な存在である。 残念ながら、既存のラベル付きデータセットでトレーニングされたアルゴリズムは、データ分布が一致しないため、直接新しいデータに一般化しない。 本稿では,各領域の特徴抽出を個別に学習することで,この制限を克服する新しいディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-22T19:24:44Z)
• Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies [65.92826041406802]
  本稿では,グラフ分類の観点から,プロキシベースのディープグラフメトリックラーニング手法を提案する。 複数のグローバルプロキシを利用して、各クラスの元のデータポイントを総括的に近似する。 本研究では, 近接関係を接地トラス・ラベルに従って調整する, 新たな逆ラベル伝搬アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-10-26T14:52:42Z)
• Contextual Diversity for Active Learning [9.546771465714876]
  大規模なデータセットは、多くの実用化のためにディープ畳み込みニューラルネットワーク(CNN)の使用を制限する。 空間的に共起するクラスに関連した混乱を捉える文脈的多様性の概念を導入する。 本研究は,活発な学習に文脈的多様性を用いることの利点を明らかにした。
  論文  参考訳（メタデータ） (2020-08-13T07:04:15Z)
• Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical Understanding of Outdoor Scene [76.4183572058063]
  複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。 データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。 本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
  論文  参考訳（メタデータ） (2020-08-11T19:10:32Z)

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。