Fugu-MT 論文翻訳(概要): Cross-domain few-shot learning with unlabelled data

論文の概要: Cross-domain few-shot learning with unlabelled data

arxiv url: http://arxiv.org/abs/2101.07899v1
Date: Tue, 19 Jan 2021 23:41:57 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 12:30:59.327128
Title: Cross-domain few-shot learning with unlabelled data
Title（参考訳）: ラベルなしデータを用いたクロスドメイン・マイノショット学習
Authors: Fupin Yao
Abstract要約: データ不足問題を解決するためのショット学習はほとんどありません。対象ドメインのラベルなしデータを新たに設定することを提案する。ラベル付き学習セットとラベルなし学習セットの知識を十分に活用するための自己教師付き学習手法を考案した。
参考スコア（独自算出の注目度）: 1.2183405753834562
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Few shot learning aims to solve the data scarcity problem. If there is a domain shift between the test set and the training set, their performance will decrease a lot. This setting is called Cross-domain few-shot learning. However, this is very challenging because the target domain is unseen during training. Thus we propose a new setting some unlabelled data from the target domain is provided, which can bridge the gap between the source domain and the target domain. A benchmark for this setting is constructed using DomainNet \cite{peng2018oment}. We come up with a self-supervised learning method to fully utilize the knowledge in the labeled training set and the unlabelled set. Extensive experiments show that our methods outperforms several baseline methods by a large margin. We also carefully design an episodic training pipeline which yields a significant performance boost.
Abstract（参考訳）: データ不足問題を解決するためのショット学習はほとんどありません。テストセットとトレーニングセットの間にドメインシフトがある場合、そのパフォーマンスは大幅に低下します。この設定はクロスドメイン・ショットラーニングと呼ばれる。しかし、トレーニング中にターゲットドメインが見えないため、これは非常に難しい。そこで本研究では,対象ドメインと対象ドメインとのギャップを埋めることのできる,対象ドメインからの不正なデータを新たに設定する手法を提案する。この設定のベンチマークは DomainNet \cite{peng2018oment} を使って作成されます。ラベル付き学習セットとラベルなし学習セットの知識を十分に活用するための自己教師付き学習手法を考案した。広範な実験により,本手法は複数のベースライン法を大差で上回った。また、重要なパフォーマンス向上をもたらすエピソードトレーニングパイプラインを慎重に設計します。
全文参考訳へのリンク