論文の概要: A Unifying Framework for Formal Theories of Novelty:Framework, Examples
and Discussion
- arxiv url: http://arxiv.org/abs/2012.04226v1
- Date: Tue, 8 Dec 2020 05:24:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 17:36:11.493309
- Title: A Unifying Framework for Formal Theories of Novelty:Framework, Examples
and Discussion
- Title（参考訳）: 形式的新奇理論の統一的枠組み:枠組み, 実例, 議論
- Authors: T. E. Boult, P. A. Grabowicz, D. S. Prijatelj, R. Stern, L. Holder, J.
Alspector, M. Jafarzadeh, T. Ahmad, A. R. Dhamija, C.Li, S. Cruz, A.
Shrivastava, C. Vondrick, W. J. Scheirer
- Abstract要約: エージェントがラボからオープンワールドに移動するとき、新規、未知、または分散しない入力を管理することは重要です。
ノベルティの形式的理論のための最初の統一フレームワークを提示し、このフレームワークを使用してノベルティタイプのファミリーを公式に定義する。
当社のフレームワークは、象徴的なAIから強化学習、さらにはオープンワールドイメージ認識まで、幅広い領域に適用できます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Managing inputs that are novel, unknown, or out-of-distribution is critical
as an agent moves from the lab to the open world. Novelty-related problems
include being tolerant to novel perturbations of the normal input, detecting
when the input includes novel items, and adapting to novel inputs. While
significant research has been undertaken in these areas, a noticeable gap
exists in the lack of a formalized definition of novelty that transcends
problem domains. As a team of researchers spanning multiple research groups and
different domains, we have seen, first hand, the difficulties that arise from
ill-specified novelty problems, as well as inconsistent definitions and
terminology. Therefore, we present the first unified framework for formal
theories of novelty and use the framework to formally define a family of
novelty types. Our framework can be applied across a wide range of domains,
from symbolic AI to reinforcement learning, and beyond to open world image
recognition. Thus, it can be used to help kick-start new research efforts and
accelerate ongoing work on these important novelty-related problems. This
extended version of our AAAI 2021 paper included more details and examples in
multiple domains.
- Abstract（参考訳）: エージェントがラボからオープンワールドに移動するとき、新規、未知、または分散しない入力を管理することは重要です。
新規性に関連する問題は、通常の入力の新規な摂動に寛容であること、入力が新規なアイテムを含むことを検知すること、新しい入力に適応することである。
これらの分野では重要な研究が行われているが、問題領域を超越する形式化された新規性の定義が欠如していることに顕著なギャップがある。
複数の研究グループと異なるドメインにまたがる研究チームとして、私たちはまず、不明確な新規性問題から生じる困難と、一貫性のない定義と用語を見てきた。
そこで本研究では,ノベルティの形式理論を統一した最初の枠組みを提示し,この枠組みを用いてノベルティの類型を正式に定義する。
私たちのフレームワークは、シンボリックaiから強化学習、さらにはオープンワールドイメージ認識まで、幅広いドメインに適用することができます。
これにより、新たな研究活動の開始を助け、これらの重要なノベルティ関連の問題に対する継続的な取り組みを加速することができる。
AAAI 2021のこの拡張版には、複数のドメインで詳細と例が含まれています。
関連論文リスト
- Context-aware Domain Adaptation for Time Series Anomaly Detection [69.3488037353497]
時系列異常検出は、幅広い現実世界の応用において難しい課題である。
近年,類似分野の知識を活用するため,時系列領域適応への取り組みが進められている。
本研究では,コンテキストサンプリングと異常検出を併用した共同学習手法を提案する。
論文 参考訳（メタデータ） (2023-04-15T02:28:58Z) - Novel Class Discovery: an Introduction and Key Concepts [54.11148718494725]
新たなクラスディスカバリ(NCD)は、既知のクラスのラベル付きセットと、発見しなければならない異なるクラスのラベル付きセットをトレーニング中に与えられる、成長する分野です。
本稿では,最先端のNCD手法に関する包括的調査を行う。
論文 参考訳（メタデータ） (2023-02-22T10:07:01Z) - Few-Shot Object Detection in Unseen Domains [4.36080478413575]
Few-shot Object Detection (FSOD)は、データ制限のある新しいオブジェクトクラスを学ぶために近年発展している。
そこで本稿では,ドメイン固有の情報をすべて考慮し,新しいクラスを数枚追加する手法を提案する。
T-LESSデータセットを用いた実験により,提案手法はドメインギャップを著しく緩和することに成功した。
論文 参考訳（メタデータ） (2022-04-11T13:16:41Z) - Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。
組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。
4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
論文 参考訳（メタデータ） (2022-03-24T11:54:59Z) - Discover, Hallucinate, and Adapt: Open Compound Domain Adaptation for
Semantic Segmentation [91.30558794056056]
意味的セグメンテーションのための教師なしドメイン適応(UDA)が近年注目を集めている。
我々は,発見,幻覚,適応の3つの主要な設計原則に基づく新しいフレームワークを提案する。
我々は、標準ベンチマークGTAからC自動運転へのソリューションの評価を行い、新しい最先端の結果を得た。
論文 参考訳（メタデータ） (2021-10-08T13:20:09Z) - Structured Latent Embeddings for Recognizing Unseen Classes in Unseen
Domains [108.11746235308046]
本稿では,異なる領域からの画像を投影することで,ドメインに依存しない遅延埋め込みを学習する手法を提案する。
挑戦的なDomainNetとDomainNet-LSベンチマークの実験は、既存のメソッドよりもアプローチの方が優れていることを示している。
論文 参考訳（メタデータ） (2021-07-12T17:57:46Z) - f-Domain-Adversarial Learning: Theory and Algorithms [82.97698406515667]
教師なしのドメイン適応は、トレーニング中、ターゲットドメイン内のラベルなしデータにアクセス可能な、多くの機械学習アプリケーションで使用されている。
領域適応のための新しい一般化法を導出し、f-発散体の変分的特徴に基づく分布間の相違性の新しい尺度を利用する。
論文 参考訳（メタデータ） (2021-06-21T18:21:09Z) - Towards Recognizing New Semantic Concepts in New Visual Domains [9.701036831490768]
我々は、これまで見えない視覚領域で機能し、新しいセマンティックな概念を認識できるディープアーキテクチャを設計することが重要であると論じている。
論文の第1部では、深層モデルが新しいビジュアルドメインに一般化できるように、異なるソリューションについて記述する。
第2部では、事前訓練された深層モデルの知識を、元のトレーニングセットにアクセスすることなく、新しい意味概念に拡張する方法を示す。
論文 参考訳（メタデータ） (2020-12-16T16:23:40Z) - Knowledge Graph Simple Question Answering for Unseen Domains [9.263766921991452]
我々は新しいドメインに適用可能なデータ中心のドメイン適応フレームワークを提案する。
遠方からの監視を用いて、未確認領域のそれぞれの関係を表すキーワードの集合を抽出する。
我々のフレームワークはゼロショットベースラインを大幅に改善し、ドメイン間で堅牢です。
論文 参考訳（メタデータ） (2020-05-25T11:34:54Z)
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。