論文の概要: Nearest Neighbor-based Importance Weighting
- arxiv url: http://arxiv.org/abs/2102.02291v1
- Date: Wed, 3 Feb 2021 21:05:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-06 02:28:27.749796
- Title: Nearest Neighbor-based Importance Weighting
- Title(参考訳): 近隣の重要度重み付け
- Authors: Marco Loog
- Abstract要約: このような重要な重み付けを決定するための、新しい直接的なアプローチが提示される。
近隣の分類体系に依存しており、比較的簡単に実装できる。
- 参考スコア(独自算出の注目度): 14.764764847928259
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Importance weighting is widely applicable in machine learning in general and
in techniques dealing with data covariate shift problems in particular. A
novel, direct approach to determine such importance weighting is presented. It
relies on a nearest neighbor classification scheme and is relatively
straightforward to implement. Comparative experiments on various classification
tasks demonstrate the effectiveness of our so-called nearest neighbor weighting
(NNeW) scheme. Considering its performance, our procedure can act as a simple
and effective baseline method for importance weighting.
- Abstract(参考訳): 重要度重み付けは、一般的に機械学習や、特にデータ共変シフト問題を扱う技術に広く適用されます。
このような重み付けの重要度を決定するための新しい直接的アプローチが提示される。
最寄りの分類スキームに依存しており、実装は比較的簡単である。
各種分類課題の比較実験により, 近距離重み付け(NNeW)方式の有効性が示された。
その性能を考慮すると,本手法は重み付けの簡便で効果的なベースラインとして機能する。
関連論文リスト
- Unsupervised Estimation of Ensemble Accuracy [0.0]
いくつかの分類器の結合力を推定する手法を提案する。
ラベルに依存しない「多様性」対策に重点を置く既存のアプローチとは異なる。
本手法は,一般的な大規模顔認証データセット上で実証する。
論文 参考訳(メタデータ) (2023-11-18T02:31:36Z) - Minimal Learning Machine for Multi-Label Learning [0.0]
最小限の学習マシンである距離に基づく教師付き手法は、データから予測モデルを構築する。
本稿では,この手法とコアコンポーネントである距離マッピングがマルチラベル学習にどのように適用できるかを評価する。
提案手法は,距離マッピングと逆距離重み付けを組み合わせたものである。
論文 参考訳(メタデータ) (2023-05-09T15:16:50Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - MACE: An Efficient Model-Agnostic Framework for Counterfactual
Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。
MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。
公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文 参考訳(メタデータ) (2022-05-31T04:57:06Z) - Bi-level Alignment for Cross-Domain Crowd Counting [113.78303285148041]
現在の手法は、補助的なタスクを訓練したり、高価な粗大な見積もりを適用したりするための外部データに依存している。
そこで我々は, 簡易かつ効率的に適用可能な, 逆学習に基づく新しい手法を開発した。
実世界の5つのクラウドカウントベンチマークに対するアプローチを評価し、既存のアプローチを大きなマージンで上回ります。
論文 参考訳(メタデータ) (2022-05-12T02:23:25Z) - Challenges in leveraging GANs for few-shot data augmentation [16.679224813570734]
本稿では,GANをベースとした小ショットデータ拡張を,小ショット分類性能を向上させる手法として活用することを検討する。
我々は、純粋に監督された体制の下で、このような生成モデルを訓練することの難しさに関連する問題を特定する。
これらの問題に対処するための,より実践的な方法として,半教師付き微調整手法を提案する。
論文 参考訳(メタデータ) (2022-03-30T20:36:49Z) - Nearest Neighbor Classifier with Margin Penalty for Active Learning [8.689993629819789]
アクティブラーニング(NCMAL)のためのペナルティ付き近親類型分類器を提案する。
第一に、クラス間で強制的マージンペナルティが加えられるため、クラス間の不一致とクラス内のコンパクトさが保証される。
次に,新たなサンプル選択手法を提案する。
論文 参考訳(メタデータ) (2022-03-17T08:51:56Z) - Few-Shot Fine-Grained Action Recognition via Bidirectional Attention and
Contrastive Meta-Learning [51.03781020616402]
現実世界のアプリケーションで特定のアクション理解の需要が高まっているため、きめ細かいアクション認識が注目を集めている。
そこで本研究では,各クラスに付与されるサンプル数だけを用いて,新規なきめ細かい動作を認識することを目的とした,数発のきめ細かな動作認識問題を提案する。
粒度の粗い動作では進展があったが、既存の数発の認識手法では、粒度の細かい動作を扱う2つの問題に遭遇する。
論文 参考訳(メタデータ) (2021-08-15T02:21:01Z) - SIMPLE: SIngle-network with Mimicking and Point Learning for Bottom-up
Human Pose Estimation [81.03485688525133]
Single-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation (SIMPLE) を提案する。
具体的には、トレーニングプロセスにおいて、SIMPLEが高性能なトップダウンパイプラインからのポーズ知識を模倣できるようにする。
さらに、SIMPLEは人間検出とポーズ推定を統一的なポイントラーニングフレームワークとして定式化し、単一ネットワークで相互に補完する。
論文 参考訳(メタデータ) (2021-04-06T13:12:51Z) - Learning the Truth From Only One Side of the Story [58.65439277460011]
一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。
理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
論文 参考訳(メタデータ) (2020-06-08T18:20:28Z) - A Weighted Mutual k-Nearest Neighbour for Classification Mining [4.538870924201896]
kNNは非常に効果的なインスタンスベースの学習方法であり、実装が容易です。
本稿では,データセットから疑似近傍の異常検出と除去を行う新しい学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-14T18:11:30Z)
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。
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。