論文の概要: A Survey on Deep Semi-supervised Learning
- arxiv url: http://arxiv.org/abs/2103.00550v1
- Date: Sun, 28 Feb 2021 16:22:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-04 17:22:55.916067
- Title: A Survey on Deep Semi-supervised Learning
- Title（参考訳）: 深層半指導学習に関する調査
- Authors: Xiangli Yang, Zixing Song, Irwin King, Zenglin Xu
- Abstract要約: まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
- 参考スコア（独自算出の注目度）: 51.26862262550445
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep semi-supervised learning is a fast-growing field with a range of
practical applications. This paper provides a comprehensive survey on both
fundamentals and recent advances in deep semi-supervised learning methods from
model design perspectives and unsupervised loss functions. We first present a
taxonomy for deep semi-supervised learning that categorizes existing methods,
including deep generative methods, consistency regularization methods,
graph-based methods, pseudo-labeling methods, and hybrid methods. Then we offer
a detailed comparison of these methods in terms of the type of losses,
contributions, and architecture differences. In addition to the past few years'
progress, we further discuss some shortcomings of existing methods and provide
some tentative heuristic solutions for solving these open problems.
- Abstract（参考訳）: 深層半教師あり学習は、様々な実践的応用を持つ急速に成長する分野である。
本稿では,モデル設計の観点からの深層半教師あり学習法と非教師なし損失関数の両基礎と最近の進歩に関する包括的調査を行う。
まず, 深層生成法, 整合性正規化法, グラフベース法, 擬似ラベル法, ハイブリッド法など既存の手法を分類した深層半教師付き学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
過去数年間の進歩に加えて、我々はさらに既存の方法のいくつかの欠点を議論し、これらのオープンな問題を解決するための一時的なヒューリスティックソリューションを提供します。
関連論文リスト
- Exploiting Fine-Grained Prototype Distribution for Boosting Unsupervised Class Incremental Learning [13.17775851211893]
本稿では,教師なしクラスインクリメンタルラーニング(UCIL)の課題について検討する。
この問題に対処することの本質は、包括的特徴表現を効果的に捉え、未知の新しいクラスを発見することである。
本稿では,新しいクラスと既存クラスの重複を最小限に抑え,歴史的知識を保存し,破滅的な忘れの現象を緩和する戦略を提案する。
論文 参考訳（メタデータ） (2024-08-19T14:38:27Z) - Better Understanding Differences in Attribution Methods via Systematic Evaluations [57.35035463793008]
モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。
本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。
これらの評価手法を用いて、広範囲のモデルにおいて広く用いられている属性手法の長所と短所について検討する。
論文 参考訳（メタデータ） (2023-03-21T14:24:58Z) - Guided Depth Map Super-resolution: A Survey [88.54731860957804]
誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。
近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。
この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
論文 参考訳（メタデータ） (2023-02-19T15:43:54Z) - Surface Reconstruction from Point Clouds: A Survey and a Benchmark [34.78096555134551]
本稿では,ディープラーニング表面再構成の新しい時代の既存手法をレビューし,ベンチマークすることを目的とする。
我々は,合成データと実スキャンデータの両方からなる大規模ベンチマークデータセットに貢献する。
複雑な表面形状の再構成の観点から,異なる手法が一般化されるかを検討する。
論文 参考訳（メタデータ） (2022-05-05T03:02:57Z) - A Review of Landcover Classification with Very-High Resolution Remotely
Sensed Optical Images-Analysis Unit,Model Scalability and Transferability [4.704131850850489]
ランドカバー分類は、超高解像度(VHR)画像解析において最も難しい課題の1つである。
ディープラーニング(DL)に基づく土地被覆手法とトレーニング戦略の急速な増加が最先端であると主張されているため、既に断片化された土地被覆マッピング手法の技術的景観はさらに複雑である。
論文 参考訳（メタデータ） (2022-02-07T16:38:40Z) - A Unifying Review of Deep and Shallow Anomaly Detection [38.202998314502786]
我々は、様々な方法によって暗黙的に行われることの多い仮定と同様に、共通の根底にある原則を特定することを目的としている。
本稿では,最近の説明可能性技術を用いて,既存の主要な手法を実証的に評価する。
我々は、重要なオープン課題を概説し、異常検出における今後の研究の道筋を特定する。
論文 参考訳（メタデータ） (2020-09-24T14:47:54Z) - Reinforcement Learning as Iterative and Amortised Inference [62.997667081978825]
我々は、この制御を推論フレームワークとして使用し、償却および反復推論に基づく新しい分類スキームを概説する。
この観点から、比較的探索されていないアルゴリズム設計空間の一部を特定できることを示す。
論文 参考訳（メタデータ） (2020-06-13T16:10:03Z) - There and Back Again: Revisiting Backpropagation Saliency Methods [87.40330595283969]
正当性法は,各入力サンプルの重要度マップを作成することによって,モデルの予測を説明する。
このような手法の一般的なクラスは、信号のバックプロパゲートと結果の勾配の分析に基づいている。
本稿では,そのような手法を統一可能な単一のフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:58:08Z) - Disentangling Adaptive Gradient Methods from Learning Rates [65.0397050979662]
適応的勾配法が学習率のスケジュールとどのように相互作用するかを、より深く検討する。
我々は、更新の規模をその方向から切り離す"グラフティング"実験を導入する。
適応勾配法の一般化に関する経験的および理論的考察を示す。
論文 参考訳（メタデータ） (2020-02-26T21:42:49Z)
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。