Fugu-MT 論文翻訳(概要): Performance Variability in Zero-Shot Classification

論文の概要: Performance Variability in Zero-Shot Classification

arxiv url: http://arxiv.org/abs/2103.01284v1
Date: Mon, 1 Mar 2021 19:58:10 GMT
ステータス: 処理完了
システム内更新日: 2021-03-05 14:40:41.543864
Title: Performance Variability in Zero-Shot Classification
Title（参考訳）: ゼロショット分類における性能変動
Authors: Mat\'ias Molina (Universidad Nacional de C\'ordoba) and Jorge S\'anchez (CONICET)
Abstract要約: ZSCの性能がトレーニングのセットアップを変える中で強い可変性を示すことを実験的に示します。この現象を緩和する試みとして, 使用アンサンブル学習を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Zero-shot classification (ZSC) is the task of learning predictors for classes not seen during training. Although the different methods in the literature are evaluated using the same class splits, little is known about their stability under different class partitions. In this work we show experimentally that ZSC performance exhibits strong variability under changing training setups. We propose the use ensemble learning as an attempt to mitigate this phenomena.
Abstract（参考訳）: ゼロショット分類(ZSC)は、トレーニング中に見られないクラスの予測器を学習するタスクです。文献の異なる方法は同じクラス分割を用いて評価されるが、異なるクラス分割の下での安定性についてはほとんど知られていない。本研究は,ZSCの性能がトレーニング設定の変更時に強い変動を示すことを示す。この現象を緩和する試みとして, 使用アンサンブル学習を提案する。

関連論文リスト

MetaCoCo: A New Few-Shot Classification Benchmark with Spurious Correlation [46.50551811108464]
実世界のシナリオから収集したスプリアス相関シフトを用いたベンチマークを提案する。また,CLIPを事前学習した視覚言語モデルとして用いたメトリクスを提案する。実験結果から,既存手法の性能はスプリアス相関シフトの有無で著しく低下することがわかった。
論文参考訳（メタデータ） (2024-04-30T15:45:30Z)
Few-Shot Class-Incremental Learning via Training-Free Prototype Calibration [67.69532794049445]
既存のメソッドでは、新しいクラスのサンプルをベースクラスに誤分類する傾向があり、新しいクラスのパフォーマンスが低下する。我々は,新しいクラスの識別性を高めるため,簡易かつ効果的なトレーニング-フレア・カロブラシアン (TEEN) 戦略を提案する。
論文参考訳（メタデータ） (2023-12-08T18:24:08Z)
Class Uncertainty: A Measure to Mitigate Class Imbalance [0.0]
授業の基数のみを考慮すると、クラス不均衡の原因となるすべての問題をカバーできるわけではない。トレーニング事例の予測的不確実性の平均値として「クラス不確実性」を提案する。また,SVCI-20は,クラスが同じ数のトレーニングサンプルを持つが,それらの硬さの点で異なる,新しいデータセットとしてキュレートする。
論文参考訳（メタデータ） (2023-11-23T16:36:03Z)
Uncertainty-guided Boundary Learning for Imbalanced Social Event Detection [64.4350027428928]
本研究では,不均衡なイベント検出タスクのための不確実性誘導型クラス不均衡学習フレームワークを提案する。我々のモデルは、ほとんど全てのクラス、特に不確実なクラスにおいて、社会イベントの表現と分類タスクを大幅に改善する。
論文参考訳（メタデータ） (2023-10-30T03:32:04Z)
Mimicking the Oracle: An Initial Phase Decorrelation Approach for Class Incremental Learning [141.35105358670316]
本研究では,Na"訓練初期相モデルとオラクルモデルとの相違について検討する。より均一に散らばるように,各クラスの表現を効果的に正規化するクラスワイド・デコレーション(CwD)を提案する。私たちのCwDは実装が簡単で、既存のメソッドに簡単にプラグインできます。
論文参考訳（メタデータ） (2021-12-09T07:20:32Z)
CoSSL: Co-Learning of Representation and Classifier for Imbalanced Semi-Supervised Learning [98.89092930354273]
本稿では,非バランスなSSLのための非結合表現学習と分類器学習を用いた新しいコラーニングフレームワーク(CoSSL)を提案する。データ不均衡に対処するため、分類器学習のためのTFE(Tail-class Feature Enhancement)を考案した。実験により,本手法は様々な分散分布において,他の手法よりも優れた性能を示すことが示された。
論文参考訳（メタデータ） (2021-12-08T20:13:13Z)
Using Fictitious Class Representations to Boost Discriminative Zero-Shot Learners [23.854093182195246]
そこで本研究では,学習中に動的に拡張する機構を導入し,新たな虚構クラスを創出する。これらの架空のクラスは、トレーニングセットに現れるが、新たに公開されたクラスには現れない属性相関に基づいて、トレーニング中にモデルを固定する傾向を減少させる。
論文参考訳（メタデータ） (2021-11-26T15:41:16Z)
Unsupervised Class-Incremental Learning Through Confusion [0.4604003661048266]
入ってくるデータを新しいクラスとして訓練することによるネットワークの混乱を生かした新規性検出手法を提案する。この検出方法中にクラスアンバランスを組み込むことで、パフォーマンスが大幅に向上することがわかった。
論文参考訳（メタデータ） (2021-04-09T15:58:43Z)
Counterfactual Zero-Shot and Open-Set Visual Recognition [95.43275761833804]
Zero-Shot Learning (ZSL) と Open-Set Recognition (OSR) の両方に対する新しい反実用フレームワークを提案する。我々の考えは、目に見えないクラスのための生成されたサンプルは、しばしば真の分布から外れているという観察に由来する。当社のフレームワークが見掛け/見当たらない不均衡を効果的に緩和し,全体的なパフォーマンスを大幅に向上させることを示す。
論文参考訳（メタデータ） (2021-03-01T10:20:04Z)
CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action Recognition [52.66360172784038]
各インスタンスを個別に最適化するのではなく,すべてのトレーニングサンプルを同時に考慮したクラスタリングモデルを提案する。提案手法をCLASTERと呼び,すべての標準データセットの最先端性を常に改善することを確認する。
論文参考訳（メタデータ） (2021-01-18T12:46:24Z)

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。