論文の概要: A Review of Open-World Learning and Steps Toward Open-World Learning
Without Labels
- arxiv url: http://arxiv.org/abs/2011.12906v3
- Date: Mon, 3 Jan 2022 14:34:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 01:43:06.462042
- Title: A Review of Open-World Learning and Steps Toward Open-World Learning
Without Labels
- Title(参考訳): オープンワールド学習とラベルなしでのオープンワールド学習への歩み
- Authors: Mohsen Jafarzadeh, Akshay Raj Dhamija, Steve Cruz, Chunchun Li,
Touqeer Ahmad, Terrance E. Boult
- Abstract要約: オープンワールド学習では、エージェントは既知のクラスのセットから始まり、知らないものを検出し、管理し、静止しないデータストリームから時間をかけて学習する。
本稿では,ラベルなしのオープンワールド学習を含む,様々なオープンワールド学習問題を定式化する。
- 参考スコア(独自算出の注目度): 11.380522815465984
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In open-world learning, an agent starts with a set of known classes, detects,
and manages things that it does not know, and learns them over time from a
non-stationary stream of data. Open-world learning is related to but also
distinct from a multitude of other learning problems and this paper briefly
analyzes the key differences between a wide range of problems including
incremental learning, generalized novelty discovery, and generalized zero-shot
learning. This paper formalizes various open-world learning problems including
open-world learning without labels. These open-world problems can be addressed
with modifications to known elements, we present a new framework that enables
agents to combine various modules for novelty-detection,
novelty-characterization, incremental learning, and instance management to
learn new classes from a stream of unlabeled data in an unsupervised manner,
survey how to adapt a few state-of-the-art techniques to fit the framework and
use them to define seven baselines for performance on the open-world learning
without labels problem. We then discuss open-world learning quality and analyze
how that can improve instance management. We also discuss some of the general
ambiguity issues that occur in open-world learning without labels.
- Abstract(参考訳): オープンワールド学習では、エージェントは既知のクラスのセットから始まり、知らないものを検出し、管理し、静止しないデータストリームから時間をかけて学習する。
オープンワールド・ラーニングは他の多くの学習問題とは無関係であるが,本論文では,インクリメンタルラーニング,一般化ノベルティ発見,一般化ゼロショット・ラーニングなど,幅広い問題の主な違いを簡潔に分析する。
本稿では,ラベルのないオープンワールド学習を含む様々なオープンワールド学習問題を形式化する。
These open-world problems can be addressed with modifications to known elements, we present a new framework that enables agents to combine various modules for novelty-detection, novelty-characterization, incremental learning, and instance management to learn new classes from a stream of unlabeled data in an unsupervised manner, survey how to adapt a few state-of-the-art techniques to fit the framework and use them to define seven baselines for performance on the open-world learning without labels problem.
次に,オープンワールド学習の品質を議論し,インスタンス管理を改善する方法について分析する。
また,ラベルなしのオープンワールド学習において発生する曖昧さの問題についても論じる。
関連論文リスト
- Towards Few-Shot Learning in the Open World: A Review and Beyond [52.41344813375177]
少ないショット学習は、人間の知性を模倣し、大きな一般化と伝達性を実現することを目的としている。
本稿では,FSLをオープンワールド環境に適用するための最近の進歩について概説する。
既存の手法は,3つの異なるタイプのオープンワールド・マイクロショット・ラーニングに分類する。
論文 参考訳(メタデータ) (2024-08-19T06:23:21Z) - Open-world Machine Learning: A Review and New Outlooks [83.6401132743407]
本稿では,新たなオープンワールド機械学習パラダイムを包括的に紹介することを目的としている。
研究者がそれぞれの分野でより強力なAIシステムを構築するのを支援し、人工知能の開発を促進することを目的としている。
論文 参考訳(メタデータ) (2024-03-04T06:25:26Z) - Open Long-Tailed Recognition in a Dynamic World [82.91025831618545]
実世界のデータは、しばしば長い尾を持ち、(目に見えないクラスを持つ)オープンな分布を示す。
現実的な認識システムは、多数派(頭)クラスと少数派(尾)クラスの間でバランスを取り、分布を一般化し、見知らぬクラス(オープンクラス)のインスタンスで新規性を認める必要がある。
我々は,Open Long-Tailed Recognition++を,このような自然分布データからの学習として定義し,バランスの取れたテストセット上での分類精度を最適化する。
論文 参考訳(メタデータ) (2022-08-17T15:22:20Z) - Open Environment Machine Learning [84.90891046882213]
従来の機械学習研究は、学習プロセスの重要な要素が不変であるような近世界のシナリオを想定している。
本稿では,新しいクラスを創出する技術,デクリメンタル/インクリメンタルな特徴,データ分散の変化,学習目標の変化,理論的諸問題について概説する。
論文 参考訳(メタデータ) (2022-06-01T11:57:56Z) - Bayesian Embeddings for Few-Shot Open World Recognition [60.39866770427436]
埋め込みベースの数ショット学習アルゴリズムをオープンワールド認識設定に拡張する。
当社のフレームワークは,MiniImageNetとTieredImageNetによる数ショット学習データセットのオープンワールド拡張をベンチマークする。
論文 参考訳(メタデータ) (2021-07-29T00:38:47Z) - Open-world Machine Learning: Applications, Challenges, and Opportunities [0.7734726150561086]
オープンワールド機械学習は、任意の入力(目に見えないクラスを持つデータ)を機械学習システムに処理する。
従来の機械学習は静的な学習であり、アクティブな環境には適さない。
本稿では,オープンワールド機械学習における様々な手法の体系的レビューを行う。
論文 参考訳(メタデータ) (2021-05-27T21:05:10Z) - Task-Adaptive Negative Class Envision for Few-Shot Open-Set Recognition [36.53830822788852]
新しいソースからのクエリに堅牢な認識システムを学ぶための、数発のオープンセット認識(FSOR)の問題について研究する。
オープン世界をモデル化する新しいタスク適応型負クラスビジュアライゼーション手法(tane)を提案する。
本手法は, オープンセット認識における最先端の性能を大幅に向上させる。
論文 参考訳(メタデータ) (2020-12-24T02:30:18Z) - Learnability with Indirect Supervision Signals [74.39088325025378]
間接的な監視信号からの学習は、ゴールドラベルが欠落している場合やコストが高すぎる場合、現実世界のAIアプリケーションにおいて重要である。
我々は、ゴールドラベルとゼロでない相互情報を含む変数によって監督が提供される場合に、マルチクラス分類のための統一的な理論フレームワークを開発する。
本フレームワークは文献における仮定を緩和し,未知,非可逆,インスタンス依存のトランジションによる学習を支援する。
論文 参考訳(メタデータ) (2020-06-15T21:57:11Z)
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。