論文の概要: Unsupervised One-shot Learning of Both Specific Instances and
Generalised Classes with a Hippocampal Architecture
- arxiv url: http://arxiv.org/abs/2010.15999v1
- Date: Fri, 30 Oct 2020 00:10:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 15:53:21.555587
- Title: Unsupervised One-shot Learning of Both Specific Instances and
Generalised Classes with a Hippocampal Architecture
- Title（参考訳）: 海馬アーキテクチャを用いた特定インスタンスと一般化クラスの両方の教師なしワンショット学習
- Authors: Gideon Kowadlo, Abdelrahman Ahmed, David Rawlinson
- Abstract要約: 特定のインスタンスを識別することは、あなたが属するカップを記憶するなど、現実世界の多くのタスクに必要である。
クラス内の一般化は、クラスのインスタンスを分離する能力と矛盾し、単一のアーキテクチャ内で両方の機能を達成するのが難しくなる。
我々は,1回の露光後に特定のインスタンスを識別する能力をテストする標準Omniglot分類一般化フレームワークの拡張を提案する。
- 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: Established experimental procedures for one-shot machine learning do not test
the ability to learn or remember specific instances of classes, a key feature
of animal intelligence. Distinguishing specific instances is necessary for many
real-world tasks, such as remembering which cup belongs to you. Generalisation
within classes conflicts with the ability to separate instances of classes,
making it difficult to achieve both capabilities within a single architecture.
We propose an extension to the standard Omniglot classification-generalisation
framework that additionally tests the ability to distinguish specific instances
after one exposure and introduces noise and occlusion corruption. Learning is
defined as an ability to classify as well as recall training samples.
Complementary Learning Systems (CLS) is a popular model of mammalian brain
regions believed to play a crucial role in learning from a single exposure to a
stimulus. We created an artificial neural network implementation of CLS and
applied it to the extended Omniglot benchmark. Our unsupervised model
demonstrates comparable performance to existing supervised ANNs on the Omniglot
classification task (requiring generalisation), without the need for
domain-specific inductive biases. On the extended Omniglot instance-recognition
task, the same model also demonstrates significantly better performance than a
baseline nearest-neighbour approach, given partial occlusion and noise.
- Abstract（参考訳）: ワンショット機械学習のための実験的な手順は、動物の知能の重要な特徴である特定のクラスのインスタンスを学習または記憶する能力をテストするものではない。
特定のインスタンスを識別することは、あなたが属するカップを記憶するなど、現実世界の多くのタスクに必要である。
クラス内の一般化は、クラスのインスタンスを分離する能力と矛盾し、単一のアーキテクチャ内で両方の機能を達成するのが難しくなる。
本稿では,単一被曝後に特定のインスタンスを識別する機能をテストし,ノイズや咬合破壊をもたらす標準全言語分類一般化フレームワークの拡張を提案する。
学習は、トレーニングサンプルを分類し、リコールする能力として定義される。
補足学習システム(CLS)は、刺激への単一曝露から学習において重要な役割を果たすと考えられている哺乳類の脳領域の一般的なモデルである。
我々は、CLSの人工ニューラルネットワーク実装を作成し、拡張Omniglotベンチマークに適用した。
我々の教師なしモデルは、ドメイン固有の帰納バイアスを必要とせず、Omniglot分類タスク(一般化の要求)において既存の教師付きANNに匹敵する性能を示す。
拡張されたOmniglotインスタンス認識タスクでは、同じモデルが、部分閉塞とノイズを与えられたベースライン近傍アプローチよりもはるかに優れた性能を示す。
関連論文リスト
- Out-Of-Distribution Detection for Audio-visual Generalized Zero-Shot Learning: A General Framework [0.0]
Generalized Zero-Shot Learning (GZSL) は、目に見えないクラスと見えないクラスの両方を正確に分類する必要がある課題である。
両手法の強みを生かし, 配当外分布検出(OOD)を用いた汎用フレームワークを提案する。
我々は,3つの人気オーディオ・ビジュアル・データセット上でフレームワークをテストし,既存の最先端技術と比較した大幅な改善を観察する。
論文 参考訳（メタデータ） (2024-08-02T14:10:20Z) - Open-Vocabulary Animal Keypoint Detection with Semantic-feature Matching [74.75284453828017]
Open-Vocabulary Keypoint Detection (OVKD)タスクは、任意の種類のキーポイントを特定するためにテキストプロンプトを使用するように設計されている。
セマンティック・フェールマッチング(KDSM)を用いた開語彙キーポイント検出(Open-Vocabulary Keypoint Detection)という新しいフレームワークを開発した。
このフレームワークは視覚と言語モデルを組み合わせて、言語機能とローカルキーポイント視覚機能との相互作用を作成する。
論文 参考訳（メタデータ） (2023-10-08T07:42:41Z) - Multi-annotator Deep Learning: A Probabilistic Framework for
Classification [2.445702550853822]
標準的なディープニューラルネットワークのトレーニングは、マルチアノテーションによる教師付き学習設定におけるサブパーパフォーマンスにつながる。
マルチアノテーション深層学習(MaDL)という確率的学習フレームワークを提案することでこの問題に対処する。
モジュラーネットワークアーキテクチャは、アノテータのパフォーマンスに関する様々な仮定を可能にする。
以上の結果から,MADLの最先端性能と,関連性のあるスパムアノテータに対する堅牢性が確認された。
論文 参考訳（メタデータ） (2023-04-05T16:00:42Z) - Learning Common Rationale to Improve Self-Supervised Representation for
Fine-Grained Visual Recognition Problems [61.11799513362704]
我々は、インスタンスやクラスでよく見られる差別的手がかりを識別するための、追加のスクリーニングメカニズムの学習を提案する。
SSL目標から誘導されるGradCAMを単純に利用することで、共通な有理性検出器が学習可能であることを示す。
論文 参考訳（メタデータ） (2023-03-03T02:07:40Z) - Expanding continual few-shot learning benchmarks to include recognition of specific instances [0.0]
継続的な学習と数発の学習は、より広範な機械学習(ML)機能に向けた進歩の重要なフロンティアである。
最初の例の1つは、Antoniou et al. arXiv:2004.11967 の連続的な数発学習フレームワークであった。
我々はCFSLを2つの方法で拡張し、現実の環境での知的エージェントの振る舞いにおいて重要な、幅広い課題を捉える。
論文 参考訳（メタデータ） (2022-08-26T06:32:55Z) - Adaptive Memory Networks with Self-supervised Learning for Unsupervised
Anomaly Detection [54.76993389109327]
教師なし異常検出は、通常のデータのみをトレーニングすることで、目に見えない異常を検出するモデルを構築することを目的としている。
本稿では,これらの課題に対処するために,自己教師付き学習(AMSL)を用いた適応記憶ネットワーク(Adaptive Memory Network)を提案する。
AMSLには、一般的な正規パターンを学ぶための自己教師付き学習モジュールと、リッチな特徴表現を学ぶための適応型メモリ融合モジュールが組み込まれている。
論文 参考訳（メタデータ） (2022-01-03T03:40:21Z) - GAN for Vision, KG for Relation: a Two-stage Deep Network for Zero-shot
Action Recognition [33.23662792742078]
ゼロショット動作認識のための2段階のディープニューラルネットワークを提案する。
サンプリング段階では,授業の動作特徴と単語ベクトルによって訓練されたGAN(Generative Adversarial Network)を利用する。
分類段階において、アクションクラスの単語ベクトルと関連するオブジェクトの関係に基づいて知識グラフを構築する。
論文 参考訳（メタデータ） (2021-05-25T09:34:42Z) - 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) - Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。
具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
論文 参考訳（メタデータ） (2020-07-19T07:24:45Z) - Few-Shot Learning as Domain Adaptation: Algorithm and Analysis [120.75020271706978]
わずかながらの学習は、目に見えないクラスを認識するために、目に見えないクラスから学んだ事前知識を使用する。
このクラス差による分布シフトは、ドメインシフトの特別なケースとみなすことができる。
メタラーニングフレームワークにおいて、そのようなドメインシフト問題に明示的に対処するために、注意を向けたプロトタイプドメイン適応ネットワーク(DAPNA)を提案する。
論文 参考訳（メタデータ） (2020-02-06T01:04:53Z)
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。