Fugu-MT 論文翻訳(概要): RandomForestMLP: An Ensemble-Based Multi-Layer Perceptron Against Curse of Dimensionality

論文の概要: RandomForestMLP: An Ensemble-Based Multi-Layer Perceptron Against Curse of Dimensionality

arxiv url: http://arxiv.org/abs/2011.01188v1
Date: Mon, 2 Nov 2020 18:25:36 GMT
ステータス: 処理完了
システム内更新日: 2022-09-30 11:02:36.387086
Title: RandomForestMLP: An Ensemble-Based Multi-Layer Perceptron Against Curse of Dimensionality
Title（参考訳）: randomforestmlp : 次元の呪いに対するアンサンブルベースの多層パーセプトロン
Authors: Mohamed Mejri and Aymen Mejri
Abstract要約: 我々はRandomForestMLPという,新しい,実用的なディープラーニングパイプラインを提案する。このコアトレーニング可能な分類エンジンは、畳み込みニューラルネットワークのバックボーンと、分類タスクのためのアンサンブルベースの多層パーセプトロンコアで構成されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a novel and practical deep learning pipeline termed RandomForestMLP. This core trainable classification engine consists of a convolutional neural network backbone followed by an ensemble-based multi-layer perceptrons core for the classification task. It is designed in the context of self and semi-supervised learning tasks to avoid overfitting while training on very small datasets. The paper details the architecture of the RandomForestMLP and present different strategies for neural network decision aggregation. Then, it assesses its robustness to overfitting when trained on realistic image datasets and compares its classification performance with existing regular classifiers.
Abstract（参考訳）: 本稿では,randomforestmlpと呼ばれる新しい実用的な深層学習パイプラインを提案する。このコア訓練可能な分類エンジンは、畳み込みニューラルネットワークバックボーンと、分類タスクのためのアンサンブルベースの多層パーセプトロンコアとからなる。これは、非常に小さなデータセットでトレーニングしながら過度な適合を避けるために、自己および半教師付き学習タスクのコンテキストで設計されている。本稿では、ランダムフォレストmlpのアーキテクチャを詳述し、ニューラルネットワーク決定集約のための異なる戦略を提案する。そして、現実的な画像データセットでトレーニングされた場合の過剰フィッティングに対する堅牢性を評価し、その分類性能を既存の正規分類器と比較する。

関連論文リスト

Informed deep hierarchical classification: a non-standard analysis inspired approach [0.0]
出力層の前に配置された特定のプロジェクション演算子を備えた多出力ディープニューラルネットワークで構成されている。このようなアーキテクチャの設計は、LH-DNN(Lexicographic Hybrid Deep Neural Network)と呼ばれ、異なる研究分野と非常に離れた研究分野のツールを組み合わせることで実現されている。アプローチの有効性を評価するために、階層的な分類タスクに適した畳み込みニューラルネットワークであるB-CNNと比較する。
論文参考訳（メタデータ） (2024-09-25T14:12:50Z)
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)
Informative regularization for a multi-layer perceptron RR Lyrae classifier under data shift [3.303002683812084]
本稿では,情報正規化とアドホックなトレーニング手法に基づくスケーラブルで容易に適応可能なアプローチを提案し,シフト問題を緩和する。提案手法は,特徴量からの知識をニューラルネットワークに組み込むことで,基礎となるデータシフト問題を管理する。
論文参考訳（メタデータ） (2023-03-12T02:49:19Z)
Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文参考訳（メタデータ） (2022-03-17T04:34:28Z)
Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文参考訳（メタデータ） (2021-10-31T16:15:09Z)
Gated recurrent units and temporal convolutional network for multilabel classification [122.84638446560663]
本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
論文参考訳（メタデータ） (2021-10-09T00:00:16Z)
ResMLP: Feedforward networks for image classification with data-efficient training [73.26364887378597]
画像分類のための多層パーセプトロン上に構築されたアーキテクチャであるResMLPを提案する。 Timmライブラリと事前トレーニングされたモデルに基づいたコードを共有します。
論文参考訳（メタデータ） (2021-05-07T17:31:44Z)
An evidential classifier based on Dempster-Shafer theory and deep learning [6.230751621285322]
Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
論文参考訳（メタデータ） (2021-03-25T01:29:05Z)
Convolutional Neural Networks from Image Markers [62.997667081978825]
特徴画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
論文参考訳（メタデータ） (2020-12-15T22:58:23Z)
ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
論文参考訳（メタデータ） (2020-06-27T13:50:20Z)

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。