論文の概要: MLAS: Metric Learning on Attributed Sequences
- arxiv url: http://arxiv.org/abs/2011.04062v1
- Date: Sun, 8 Nov 2020 19:35:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 08:36:11.718621
- Title: MLAS: Metric Learning on Attributed Sequences
- Title（参考訳）: MLAS: 分散シーケンスのメトリクス学習
- Authors: Zhongfang Zhuang, Xiangnan Kong, Elke Rundensteiner, Jihane Zouaoui,
Aditya Arora
- Abstract要約: メートル法学習への従来のアプローチは、主にデータ属性に基づいてマハラノビス距離メートル法を学ぶことに焦点を当てていた。
我々は,属性列間の相違を効果的に測定する距離メトリックを学習するために,MLASと呼ばれる深層学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 13.689383530299502
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Distance metric learning has attracted much attention in recent years, where
the goal is to learn a distance metric based on user feedback. Conventional
approaches to metric learning mainly focus on learning the Mahalanobis distance
metric on data attributes. Recent research on metric learning has been extended
to sequential data, where we only have structural information in the sequences,
but no attribute is available. However, real-world applications often involve
attributed sequence data (e.g., clickstreams), where each instance consists of
not only a set of attributes (e.g., user session context) but also a sequence
of categorical items (e.g., user actions). In this paper, we study the problem
of metric learning on attributed sequences. Unlike previous work on metric
learning, we now need to go beyond the Mahalanobis distance metric in the
attribute feature space while also incorporating the structural information in
sequences. We propose a deep learning framework, called MLAS (Metric Learning
on Attributed Sequences), to learn a distance metric that effectively measures
dissimilarities between attributed sequences. Empirical results on real-world
datasets demonstrate that the proposed MLAS framework significantly improves
the performance of metric learning compared to state-of-the-art methods on
attributed sequences.
- Abstract（参考訳）: 距離メトリック学習は近年注目されており、ユーザからのフィードバックに基づいて距離メトリックを学ぶことが目標となっている。
メトリック学習への従来のアプローチは、データ属性のマハラノビス距離メトリックの学習に主に焦点をあてている。
メトリック学習に関する最近の研究はシーケンシャルデータに拡張されており、シーケンシャルに構造情報しか持たないが、属性は利用できない。
しかし、現実世界のアプリケーションでは、属性のセット(例えば、ユーザセッションコンテキスト)だけでなく、カテゴリのアイテムのシーケンス(例えば、ユーザーアクション)で構成される、帰結されたシーケンスデータ(例えばクリックストリーム)がしばしば含まれる。
本稿では,属性列に基づく計量学習の問題点について考察する。
メトリック学習に関する以前の研究とは異なり、属性特徴空間におけるマハラノビス距離メトリックを超えて、シーケンスに構造情報を組み込む必要がある。
我々は,属性列間の相違を効果的に測定する距離メトリックを学習するために,MLAS(Metric Learning on Attributed Sequences)と呼ばれるディープラーニングフレームワークを提案する。
実世界のデータセットにおける実験結果から,提案したMLASフレームワークは,属性付きシーケンスの最先端手法と比較して,メトリック学習の性能を著しく向上することが示された。
関連論文リスト
- AttriCLIP: A Non-Incremental Learner for Incremental Knowledge Learning [53.32576252950481]
連続学習は、モデルが逐次到着したデータから段階的に知識を学習できるようにすることを目的としている。
本稿では,新しいクラスやタスクの知識を段階的に抽出する,AttriCLIPという非インクリメンタル学習手法を提案する。
論文 参考訳（メタデータ） (2023-05-19T07:39:17Z) - Exogenous Data in Forecasting: FARM -- A New Measure for Relevance
Evaluation [62.997667081978825]
FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。
我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。
第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
論文 参考訳（メタデータ） (2023-04-21T15:22:33Z) - Metric Learning Improves the Ability of Combinatorial Coverage Metrics
to Anticipate Classification Error [0.0]
多くの機械学習手法は、トレーニングデータとは異なるテストデータや運用データに敏感である。
計量学習は、異なるクラスのデータがさらに離れている潜在空間を学習する技術である。
6つのオープンソースデータセットについて検討した結果, パラメータ学習により, 正確な分類値と誤分類値との差が増大していることが判明した。
論文 参考訳（メタデータ） (2023-02-28T14:55:57Z) - Few-shot Metric Learning: Online Adaptation of Embedding for Retrieval [37.601607544184915]
メトリック学習は、典型的には、類似した物体を近くの点にマッピングする効果的な埋め込み関数を学習することによって距離メトリックを構築することを目的としている。
近年のディープ・メトリック・ラーニングの進歩にもかかわらず、学習されたメートル法が大きな領域ギャップを持つ未確認のクラスに一般化することは依然として困難である。
本稿では,少数の注釈付きデータのみを用いて,組込み関数を対象領域に適応させることを目的とした,数ショットメトリック学習の新たな課題を提案する。
論文 参考訳（メタデータ） (2022-11-14T05:10:17Z) - Self-Taught Metric Learning without Labels [47.832107446521626]
教師なしメトリック学習のための新しい自己学習フレームワークを提案する。
埋め込みモデルの移動平均を通してデータ間のクラス等価関係を予測し、予測された関係を擬似ラベルとして学習する。
論文 参考訳（メタデータ） (2022-05-04T05:48:40Z) - Deep Relational Metric Learning [84.95793654872399]
本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。
我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。
広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
論文 参考訳（メタデータ） (2021-08-23T09:31:18Z) - Finding Significant Features for Few-Shot Learning using Dimensionality
Reduction [0.0]
このモジュールは、計量学習法により与えられる類似度関数を、分類のためのより識別的な特徴を持つようにすることで、精度の向上を支援する。
提案手法は,MiniImageNetデータセットにおけるメトリック学習ベースラインの精度を約2%向上させる。
論文 参考訳（メタデータ） (2021-07-06T16:36:57Z) - ECML: An Ensemble Cascade Metric Learning Mechanism towards Face
Verification [50.137924223702264]
特に、階層的メートル法学習はカスケード方式で実行され、不適合を緩和する。
顔の特徴分布特性を考慮し, 閉形解を用いたロバストなマハラノビス計量学習法(RMML)を提案する。
EC-RMMLは、顔認証のための最先端のメトリック学習法よりも優れている。
論文 参考訳（メタデータ） (2020-07-11T08:47:07Z) - Metric Learning for Ordered Labeled Trees with pq-grams [11.284638114256712]
pq-gram を用いた木構造データに対する新しい計量学習手法を提案する。
pq-gram 距離は順序付きラベル付き木の距離であり、木編集距離よりも計算コストがはるかに低い。
提案手法は,最先端の編集距離に基づく手法を用いて,競合的な結果が得られることを実証的に示す。
論文 参考訳（メタデータ） (2020-03-09T08:04:47Z) - Supervised Categorical Metric Learning with Schatten p-Norms [10.995886294197412]
そこで我々は,分類データにおける計量学習の問題に対処する手法としてCPML(CPML)を提案する。
我々は、データを表すためにValue Distance Metricを使用し、この表現に基づいて新しい距離を提案する。
次に、新しいメトリクスを効率的に学習する方法を示します。
論文 参考訳（メタデータ） (2020-02-26T01:17:12Z) - A Multilayer Framework for Online Metric Learning [71.31889711244739]
本稿では,インスタンス間の非線形類似性を捉えるために,オンラインメトリック学習のための多層フレームワークを提案する。
マハラノビスをベースとした新しいオンラインメトリックラーニング(MOML)アルゴリズムは、受動攻撃戦略とワンパス三重項構築戦略に基づいて提案される。
提案したMLOMLは、いくつかの優れた特性を享受し、実際にメトリクスを漸進的に学習し、ベンチマークデータセットでより良いパフォーマンスを発揮する。
論文 参考訳（メタデータ） (2018-05-15T01:10:18Z)
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。