Fugu-MT 論文翻訳(概要): Successive Subspace Learning: An Overview

論文の概要: Successive Subspace Learning: An Overview

arxiv url: http://arxiv.org/abs/2103.00121v1
Date: Sat, 27 Feb 2021 04:03:45 GMT
ステータス: 処理完了
システム内更新日: 2021-03-03 16:44:06.649460
Title: Successive Subspace Learning: An Overview
Title（参考訳）: 逐次的サブスペース学習 : 概観
Authors: Mozhdeh Rouhsedaghat, Masoud Monajatipoor, Zohreh Azizi, C.-C. Jay Kuo
Abstract要約: 逐次サブスペース学習(SSL)は,データ単位固有の統計特性に基づいた,軽量で教師なしな特徴学習手法を提供する。特に小さなデータセットでは、有望な結果を示している。
参考スコア（独自算出の注目度）: 25.859001809315828
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Successive Subspace Learning (SSL) offers a light-weight unsupervised feature learning method based on inherent statistical properties of data units (e.g. image pixels and points in point cloud sets). It has shown promising results, especially on small datasets. In this paper, we intuitively explain this method, provide an overview of its development, and point out some open questions and challenges for future research.
Abstract（参考訳）: 継承サブスペース学習(Successive Subspace Learning、SSL)は、データ単位の固有の統計的特性に基づく軽量な教師なし機能学習法である。 image pixels and points in point cloud sets)。特に小さなデータセットでは、有望な結果を示している。本稿では,この手法を直感的に説明し,開発の概要を説明し,今後の課題と課題を指摘する。

関連論文リスト

Subspace Distillation for Continual Learning [27.22147868163214]
本稿では,ニューラルネットワークの多様体構造を考慮した知識蒸留手法を提案する。部分空間を用いたモデリングは、雑音に対するロバスト性など、いくつかの興味深い特性を提供することを示した。実験により,提案手法は,いくつかの挑戦的データセットにおいて,様々な連続学習法よりも優れていることがわかった。
論文参考訳（メタデータ） (2023-07-31T05:59:09Z)
Self-Supervised Learning for Time Series Analysis: Taxonomy, Progress, and Prospects [84.6945070729684]
自己教師付き学習(SSL)は、最近、様々な時系列タスクで印象的なパフォーマンスを達成した。この記事では、時系列データに対する最先端のSSLメソッドについてレビューする。
論文参考訳（メタデータ） (2023-06-16T18:23:10Z)
A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
本稿では,点雲のラベル効率学習に関する包括的調査を行う。本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
論文参考訳（メタデータ） (2023-05-31T12:54:51Z)
Self-Supervised Learning for Point Clouds Data: A Survey [8.858165912687923]
自己監督学習(SSL)は、時間と労働集約的なデータラベリング問題を解決するための重要なソリューションであると考えられている。本稿では,ポイントクラウドにおけるSSLの最近の進歩を包括的に調査する。
論文参考訳（メタデータ） (2023-05-09T08:47:09Z)
Spatiotemporal Self-supervised Learning for Point Clouds in the Wild [65.56679416475943]
空間領域と時間領域の両方で正のペアを利用するSSL戦略を導入する。 2つの大規模LiDARデータセット上で,自己教師型トレーニングによって実施した広範囲な実験を通じて,このアプローチのメリットを実証する。
論文参考訳（メタデータ） (2023-03-28T18:06:22Z)
A Survey of Learning on Small Data: Generalization, Optimization, and Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文参考訳（メタデータ） (2022-07-29T02:34:19Z)
Learning Where to Learn in Cross-View Self-Supervised Learning [54.14989750044489]
自己教師付き学習(SSL)は大きな進歩を遂げ、教師付き学習との大きなギャップを狭めた。現在の方法では、埋め込みにピクセルの統一的なアグリゲーションを採用する。本稿では,特徴の空間情報を適応的に集約する学習方法であるLearning Where to Learn(LEWEL)を提案する。
論文参考訳（メタデータ） (2022-03-28T17:02:42Z)
Self-supervised on Graphs: Contrastive, Generative,or Predictive [25.679620842010422]
SSL(Self-supervised Learning)は、よく設計されたプリテキストタスクを通じて有益な知識を抽出するための新しいパラダイムとして登場しています。既存のグラフSSLメソッドは、コントラスト、生成、予測の3つのカテゴリに分けられる。また、一般的なデータセット、評価メトリクス、下流タスク、さまざまなアルゴリズムのオープンソース実装をまとめています。
論文参考訳（メタデータ） (2021-05-16T03:30:03Z)
Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文参考訳（メタデータ） (2020-08-11T19:10:32Z)
IntroVAC: Introspective Variational Classifiers for Learning Interpretable Latent Subspaces [6.574517227976925]
IntroVACは、追加ラベルから情報を活用することで、解釈可能な潜在部分空間を学習する。 IntroVACは、画像属性の微調整を可能にする潜在空間における意味のある方向を学習可能であることを示す。
論文参考訳（メタデータ） (2020-08-03T10:21:41Z)

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。