論文の概要: A Review of Generalized Zero-Shot Learning Methods
- arxiv url: http://arxiv.org/abs/2011.08641v5
- Date: Wed, 13 Jul 2022 00:21:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 16:56:02.578990
- Title: A Review of Generalized Zero-Shot Learning Methods
- Title(参考訳): 一般化ゼロショット学習法の検討
- Authors: Farhad Pourpanah and Moloud Abdar and Yuxuan Luo and Xinlei Zhou and
Ran Wang and Chee Peng Lim and Xi-Zhao Wang and Q. M. Jonathan Wu
- Abstract要約: 汎用ゼロショット学習(GZSL)は、教師付き学習において、いくつかの出力クラスが未知である条件下でデータサンプルを分類するモデルを訓練することを目的としている。
GZSLは、見た(ソース)クラスと見えない(ターゲット)クラスのセマンティック情報を活用して、見えないクラスと見えないクラスのギャップを埋める。
- 参考スコア(独自算出の注目度): 31.539434340951786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generalized zero-shot learning (GZSL) aims to train a model for classifying
data samples under the condition that some output classes are unknown during
supervised learning. To address this challenging task, GZSL leverages semantic
information of the seen (source) and unseen (target) classes to bridge the gap
between both seen and unseen classes. Since its introduction, many GZSL models
have been formulated. In this review paper, we present a comprehensive review
on GZSL. Firstly, we provide an overview of GZSL including the problems and
challenges. Then, we introduce a hierarchical categorization for the GZSL
methods and discuss the representative methods in each category. In addition,
we discuss the available benchmark data sets and applications of GZSL, along
with a discussion on the research gaps and directions for future
investigations.
- Abstract(参考訳): 一般化ゼロショット学習(gzsl)は、教師付き学習中にいくつかの出力クラスが未知である条件下でデータサンプルを分類するためのモデルを訓練することを目的としている。
この困難なタスクに対処するため、gzslは見られている(ソース)クラスと見られている(ターゲット)クラスのセマンティクス情報を活用して、見られているクラスと見ないクラスの間のギャップを埋める。
導入以来、多くのGZSLモデルが定式化されている。
本稿では,gzslの包括的レビューについて述べる。
まず,問題と課題を含むGZSLの概要を紹介する。
次に,GZSL手法の階層的分類を導入し,各カテゴリの代表的手法について議論する。
さらに、GZSLの利用可能なベンチマークデータセットと応用について検討し、今後の研究のギャップと方向性について論じる。
関連論文リスト
- Self-Supervised Learning for Time Series Analysis: Taxonomy, Progress, and Prospects [84.6945070729684]
自己教師付き学習(SSL)は、最近、様々な時系列タスクで印象的なパフォーマンスを達成した。
この記事では、時系列データに対する最先端のSSLメソッドについてレビューする。
論文 参考訳(メタデータ) (2023-06-16T18:23:10Z) - A Survey on Self-supervised Learning: Algorithms, Applications, and Future Trends [82.64268080902742]
自己教師付き学習(SSL)は、ラベル付きラベルを頼らずにラベル付きデータから識別的特徴を学習することを目的としている。
SSLは最近大きな注目を集め、多くの関連するアルゴリズムの開発に繋がった。
本稿では,アルゴリズム的側面,アプリケーション領域,3つの重要なトレンド,オープンな研究課題を含む,多様なSSL手法のレビューを行う。
論文 参考訳(メタデータ) (2023-01-13T14:41:05Z) - LETS-GZSL: A Latent Embedding Model for Time Series Generalized Zero
Shot Learning [1.4665304971699262]
本稿では,時系列分類(TSC)におけるGZSLの問題を解くために,時系列分類のための遅延埋め込みGZSL(LETS-GZSL)モデルを提案する。
我々のフレームワークは、未確認クラスの数が3より多い場合を除いて、ほとんどのデータセットで少なくとも55%の調和平均値を達成することができる。
論文 参考訳(メタデータ) (2022-07-25T09:31:22Z) - Generative Zero-Shot Learning for Semantic Segmentation of 3D Point
Cloud [79.99653758293277]
本稿では,ZSL(Zero-Shot Learning)とGZSL(Generalized ZSL)の両方を3次元データ上に生成する手法を提案する。
インダクティブZSLとインダクティブGZSLの両方に対して,ModelNet40分類における技術状況に到達または向上することを示す。
実験の結果,本手法は強いベースラインよりも優れており,さらに本手法を提案する。
論文 参考訳(メタデータ) (2021-08-13T13:29:27Z) - Attribute-Modulated Generative Meta Learning for Zero-Shot
Classification [52.64680991682722]
ゼロショット学習のためのAttribute-Modulated GenerAtive Meta-modelを提案する。
本モデルは属性対応変調ネットワークと属性対応生成ネットワークから構成される。
実験により,AMAZはZSLで3.8%,ZSLで5.1%改善し,ZSL設定を一般化した。
論文 参考訳(メタデータ) (2021-04-22T04:16:43Z) - Contrastive Embedding for Generalized Zero-Shot Learning [22.050109158293402]
汎用ゼロショット学習(GZSL)は、目に見えないクラスと見えないクラスの両方からオブジェクトを認識することを目的としている。
最近の特徴生成手法は、見当たらないクラスの視覚的特徴を合成できる生成モデルを学ぶ。
本稿では,生成モデルを組込みモデルに統合し,ハイブリッドgzslフレームワークを実現することを提案する。
論文 参考訳(メタデータ) (2021-03-30T08:54:03Z) - Learning without Seeing nor Knowing: Towards Open Zero-Shot Learning [27.283748476678117]
一般化されたゼロショット学習(GZSL)では、クラス埋め込みを利用して見えないカテゴリを予測することができる。
オープンワールド設定に向けてGZSLを拡張するために,Open Zero-Shot Learning (OZSL)を提案する。
我々はOZSLを、未知のカテゴリのインスタンスを拒否しながら、見知らぬクラスを認識できる問題として定式化する。
論文 参考訳(メタデータ) (2021-03-23T10:30:50Z) - Graph-based Semi-supervised Learning: A Comprehensive Review [51.26862262550445]
半教師付き学習(ssl)はラベル付きデータとラベルなしデータの両方を利用する能力があるため、実際非常に価値があります。
重要なSSLメソッドのクラスは、グラフベースの半教師付き学習(GSSL)メソッドに対応するグラフとしてデータを自然に表現することです。
GSSLメソッドは、構造のユニークさ、アプリケーションの普遍性、大規模データへのスケーラビリティのために、さまざまなドメインでその利点を実証しています。
論文 参考訳(メタデータ) (2021-02-26T05:11:09Z) - OntoZSL: Ontology-enhanced Zero-shot Learning [19.87808305218359]
Zero-shot Learning(ZSL)の実装の鍵は、クラス間の意味的な関係を構築するクラスの以前の知識を活用することです。
本稿では,zslのクラス間関係をモデル化するために,より豊かで競争力の高い事前知識を探索する。
目に見えないクラス間のデータ不均衡に対処するため,GAN(Generative Adversarial Networks)を用いた生成型ZSLフレームワークを開発した。
論文 参考訳(メタデータ) (2021-02-15T04:39:58Z) - End-to-end Generative Zero-shot Learning via Few-shot Learning [76.9964261884635]
ゼロショット学習(ZSL)の最先端アプローチでは、生成ネットをトレーニングし、提供されたメタデータに条件付きサンプルを合成する。
本稿では,このような手法をバックボーンとして使用し,合成した出力をFew-Shot Learningアルゴリズムに供給するエンドツーエンド生成ZSLフレームワークを提案する。
論文 参考訳(メタデータ) (2021-02-08T17:35:37Z) - Leveraging Seen and Unseen Semantic Relationships for Generative
Zero-Shot Learning [14.277015352910674]
新たな意味正規化損失(SR-Loss)を取り入れた知識伝達を明示的に行う生成モデルを提案する。
7つのベンチマークデータセットの実験は、従来の最先端アプローチと比較してLsrGANの優位性を示している。
論文 参考訳(メタデータ) (2020-07-19T01:25:53Z)
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。