論文の概要: Few-shot Learning for Spatial Regression

• arxiv url: http://arxiv.org/abs/2010.04360v1
• Date: Fri, 9 Oct 2020 04:05:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 04:38:32.047901
• Title: Few-shot Learning for Spatial Regression
• Title（参考訳）: 空間回帰のためのFew-shot Learning
• Authors: Tomoharu Iwata, Yusuke Tanaka
• Abstract要約: 空間回帰のための数ショット学習法を提案する。 本モデルは,地域によって異なる属性の空間的データセットを用いて訓練されている。 本研究では,提案手法が既存のメタ学習手法よりも優れた予測性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 31.022722103424684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a few-shot learning method for spatial regression. Although Gaussian processes (GPs) have been successfully used for spatial regression, they require many observations in the target task to achieve a high predictive performance. Our model is trained using spatial datasets on various attributes in various regions, and predicts values on unseen attributes in unseen regions given a few observed data. With our model, a task representation is inferred from given small data using a neural network. Then, spatial values are predicted by neural networks with a GP framework, in which task-specific properties are controlled by the task representations. The GP framework allows us to analytically obtain predictions that are adapted to small data. By using the adapted predictions in the objective function, we can train our model efficiently and effectively so that the test predictive performance improves when adapted to newly given small data. In our experiments, we demonstrate that the proposed method achieves better predictive performance than existing meta-learning methods using spatial datasets.
• Abstract（参考訳）: 空間回帰のための数ショット学習法を提案する。 ガウス過程(GP)は空間回帰にうまく使われてきたが、高い予測性能を達成するためには目標タスクにおいて多くの観測が必要である。 本モデルは,各領域の様々な属性の空間的データセットを用いて訓練し,観測された少数のデータから未知の属性の値を予測する。 我々のモデルでは、ニューラルネットワークを用いて与えられた小さなデータからタスク表現を推論する。 次に、タスク固有の特性がタスク表現によって制御されるGPフレームワークを用いて、空間値をニューラルネットワークにより予測する。 GPフレームワークにより、小さなデータに適応した予測を解析的に得ることができる。 目的関数に適応した予測を使用することで、新しく与えられた小さなデータに適応することで、テスト予測性能が向上するように、効率的に効果的にモデルを訓練することができる。 本研究では,提案手法が空間データセットを用いた既存のメタ学習手法よりも優れた予測性能を実現することを示す。

関連論文リスト

• Just How Flexible are Neural Networks in Practice? [89.80474583606242]
  ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。 しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
  論文  参考訳（メタデータ） (2024-06-17T12:24:45Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Efficient Nearest Neighbor Language Models [114.40866461741795]
  非パラメトリックニューラルネットワークモデル(NLM)は、外部データストアを用いてテキストの予測分布を学習する。 比較性能を維持しながら、推論速度の最大6倍の高速化を実現する方法を示す。
  論文  参考訳（メタデータ） (2021-09-09T12:32:28Z)
• Neural Task Success Classifiers for Robotic Manipulation from Few Real Demonstrations [1.7205106391379026]
  本稿では,いくつかの実演からのみタスク完了を分類する新しい分類器を提案する。 我々は、完全連結型、完全畳み込み型、シーケンス2配列型、ドメイン適応型など、異なるニューラル分類器を比較した。 我々のモデル、すなわちドメイン適応とタイミング特徴を備えた完全な畳み込みニューラルネットワークは、タスク間で平均的な分類精度97.3%と95.5%を達成する。
  論文  参考訳（メタデータ） (2021-07-01T19:58:16Z)
• Locally Sparse Networks for Interpretable Predictions [7.362415721170984]
  本稿では,局所的な疎度をサンプル固有のゲーティング機構を用いて学習する,局所スパースニューラルネットワークのトレーニングフレームワークを提案する。 サンプル固有の間隔は、テキスト予測ネットワークで予測され、テキスト予測ネットワークとタンデムでトレーニングされる。 本手法は,1インスタンスあたりの機能が少ないターゲット関数の予測において,最先端のモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T15:46:50Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)

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。