論文の概要: GP-Tree: A Gaussian Process Classifier for Few-Shot Incremental Learning

• arxiv url: http://arxiv.org/abs/2102.07868v1
• Date: Mon, 15 Feb 2021 22:16:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-17 21:00:52.772843
• Title: GP-Tree: A Gaussian Process Classifier for Few-Shot Incremental Learning
• Title（参考訳）: GP-Tree:Few-Shotインクリメンタルラーニングのためのガウス的プロセス分類器
• Authors: Idan Achituve, Aviv Navon, Yochai Yemini, Gal Chechik, Ethan Fetaya
• Abstract要約: GP-Treeはガウス過程と深層カーネル学習を用いた多クラス分類の新しい手法である。 木に基づく階層モデルを構築し,各内部ノードがデータにGPを適合させる。 我々の手法は、クラス数とデータサイズの両方でうまくスケールする。
• 参考スコア（独自算出の注目度）: 23.83961717568121
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Gaussian processes (GPs) are non-parametric, flexible, models that work well in many tasks. Combining GPs with deep learning methods via deep kernel learning is especially compelling due to the strong expressive power induced by the network. However, inference in GPs, whether with or without deep kernel learning, can be computationally challenging on large datasets. Here, we propose GP-Tree, a novel method for multi-class classification with Gaussian processes and deep kernel learning. We develop a tree-based hierarchical model in which each internal node of the tree fits a GP to the data using the Polya-Gamma augmentation scheme. As a result, our method scales well with both the number of classes and data size. We demonstrate our method effectiveness against other Gaussian process training baselines, and we show how our general GP approach is easily applied to incremental few-shot learning and reaches state-of-the-art performance.
• Abstract（参考訳）: ガウス過程(GP)は非パラメトリックで柔軟で、多くのタスクでうまく機能するモデルです。 深層カーネル学習によってGPと深層学習手法を組み合わせることは、ネットワークによって引き起こされる強力な表現力のために特に説得力があります。 しかし、深層カーネル学習の有無に関わらず、GPの推論は大規模データセット上で計算的に困難である。 本稿では,ガウス過程と深層カーネル学習を用いたマルチクラス分類手法GP-Treeを提案する。 木の各内部ノードが、Polya-Gamma拡張スキームを用いてGPとデータに適合する木に基づく階層モデルを開発する。 その結果、私たちのメソッドはクラス数とデータサイズの両方でうまくスケールします。 我々は,他のガウスプロセストレーニングベースラインに対する手法の有効性を実証し,我々のgpアプローチがインクリメンタルなマイナショット学習にどのように適用され,最先端のパフォーマンスに達するかを示す。

関連論文リスト

• Domain Invariant Learning for Gaussian Processes and Bayesian Exploration [39.83530605880014]
  そこで本研究では,確率を最小限に最適化したガウス過程(DIL-GP)の領域不変学習アルゴリズムを提案する。 数値実験により、複数の合成および実世界のデータセットの予測におけるDIL-GPの優位性を示す。
  論文  参考訳（メタデータ） (2023-12-18T16:13:34Z)
• Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
  クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。 現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。 本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
  論文  参考訳（メタデータ） (2023-02-28T14:01:01Z)
• 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)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
  乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。 NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-10-26T10:45:25Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)
• Conditional Deep Gaussian Processes: empirical Bayes hyperdata learning [6.599344783327054]
  本稿では,階層構成における中間GPをハイパーデータでサポートする条件付きDeep Gaussian Process (DGP)を提案する。 潜時空間における高密度ハイパーデータ限界における深層カーネル学習の等価性を示す。 予備補間の結果は,提案モデルがGPカーネル構成,DGP変分推論,深層カーネル学習と比較して表現力を示す。
  論文  参考訳（メタデータ） (2021-10-01T17:50:48Z)
• GPflux: A Library for Deep Gaussian Processes [31.207566616050574]
  GPfluxは、ディープガウス過程(DGP)に重点を置いたベイズディープラーニングのためのPythonライブラリである。 keras deep learning eco-systemと互換性があり、構築されている。 GPfluxはGPのオブジェクトと操作の大部分にGPflowに依存しており、効率的でモジュール化され拡張可能なライブラリである。
  論文  参考訳（メタデータ） (2021-04-12T17:41:18Z)
• A Framework for Interdomain and Multioutput Gaussian Processes [22.62911488724047]
  GPにおける拡張的近似推論のための数学的およびソフトウェアフレームワークを提案する。 GPflowで実装された当社のフレームワークは,既存のマルチアウトプットモデルに統一されたインターフェースを提供する。
  論文  参考訳（メタデータ） (2020-03-02T16:24:59Z)
• Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
  グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。 グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-26T10:02:32Z)

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。