Fugu-MT 論文翻訳(概要): Feature space approximation for kernel-based supervised learning

論文の概要: Feature space approximation for kernel-based supervised learning

arxiv url: http://arxiv.org/abs/2011.12651v2
Date: Mon, 15 Mar 2021 17:06:34 GMT
ステータス: 処理完了
システム内更新日: 2022-09-21 02:01:45.737037
Title: Feature space approximation for kernel-based supervised learning
Title（参考訳）: カーネル型教師付き学習のための特徴空間近似
Authors: Patrick Gel{\ss}, Stefan Klus, Ingmar Schuster, Christof Sch\"utte
Abstract要約: 目標は、トレーニングデータのサイズを減らし、ストレージ消費と計算の複雑さを減らすことだ。完全トレーニングデータセットを含むデータ駆動予測の計算と比較して,大幅な改善が示された。本手法は, 画像認識, システム識別, 海洋時系列解析などの異なる応用領域の分類と回帰問題に適用する。
参考スコア（独自算出の注目度）: 2.653409741248232
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a method for the approximation of high- or even infinite-dimensional feature vectors, which play an important role in supervised learning. The goal is to reduce the size of the training data, resulting in lower storage consumption and computational complexity. Furthermore, the method can be regarded as a regularization technique, which improves the generalizability of learned target functions. We demonstrate significant improvements in comparison to the computation of data-driven predictions involving the full training data set. The method is applied to classification and regression problems from different application areas such as image recognition, system identification, and oceanographic time series analysis.
Abstract（参考訳）: 本研究では,教師付き学習において重要な役割を果たす高次元あるいは無限次元特徴ベクトルの近似法を提案する。目標は、トレーニングデータのサイズを削減し、ストレージの消費と計算の複雑さを低下させることだ。さらに,本手法は,学習対象関数の一般化性を向上させる正規化手法とみなすことができる。完全なトレーニングデータセットを含むデータ駆動予測の計算と比較して,大幅な改善を示す。本手法は, 画像認識, システム識別, 海洋時系列解析などの異なる応用領域の分類と回帰問題に適用する。

関連論文リスト

Improved Graph-based semi-supervised learning Schemes [0.0]
本研究では,ラベルの少ない大規模データセットの分類に対処するため,いくつかの既知のアルゴリズムの精度を向上させる。私たちのフレームワークは、グラフベースの半教師あり学習の領域にあります。
論文参考訳（メタデータ） (2024-06-30T16:50:08Z)
Deep Metric Learning for Computer Vision: A Brief Overview [4.980117530293724]
深層ニューラルネットワークを最適化する目的関数は、入力データの強化された特徴表現を作成する上で重要な役割を果たす。 Deep Metric Learningは、データサンプル間の類似度を測定する方法の開発を目指している。本稿では、この領域における最近の進歩の概要と最先端のDeep Metric Learningアプローチについて論じる。
論文参考訳（メタデータ） (2023-12-01T21:53:36Z)
Randomized Dimension Reduction with Statistical Guarantees [0.27195102129095]
この論文は、高速な実行と効率的なデータ利用のためのアルゴリズムをいくつか探求している。一般化と分散性を向上する様々なデータ拡張を組み込んだ学習アルゴリズムに着目する。具体的には、第4章では、データ拡張整合正則化のための複雑性分析のサンプルを提示する。
論文参考訳（メタデータ） (2023-10-03T02:01:39Z)
Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文参考訳（メタデータ） (2022-06-01T23:26:51Z)
Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文参考訳（メタデータ） (2022-04-21T05:27:09Z)
Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
我々はデータ拡張を選択するための便利な勾配法を開発した。我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
論文参考訳（メタデータ） (2022-02-22T02:51:11Z)
Clustering augmented Self-Supervised Learning: Anapplication to Land Cover Mapping [10.720852987343896]
本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
論文参考訳（メタデータ） (2021-08-16T19:35:43Z)
An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
論文参考訳（メタデータ） (2021-06-06T02:27:55Z)
A Probabilistically Motivated Learning Rate Adaptation for Stochastic Optimization [20.77923050735746]
一般的な一階法に対して,ガウス推論の観点からの確率的動機付けを提供する。この推論により、トレーニング中に自動的に適応できる無次元量に学習率を関連付けることができる。得られたメタアルゴリズムは、学習率を幅広い初期値にわたって頑健に適応させることが示される。
論文参考訳（メタデータ） (2021-02-22T10:26:31Z)
Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
論文参考訳（メタデータ） (2020-10-07T03:34:01Z)
Information Theoretic Meta Learning with Gaussian Processes [74.54485310507336]
情報理論の概念,すなわち相互情報と情報のボトルネックを用いてメタ学習を定式化する。相互情報に対する変分近似を用いることで、メタ学習のための汎用的かつトラクタブルな枠組みを導出する。
論文参考訳（メタデータ） (2020-09-07T16:47:30Z)

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。