論文の概要: Task Aligned Generative Meta-learning for Zero-shot Learning

• arxiv url: http://arxiv.org/abs/2103.02185v1
• Date: Wed, 3 Mar 2021 05:18:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-04 15:08:41.001377
• Title: Task Aligned Generative Meta-learning for Zero-shot Learning
• Title（参考訳）: ゼロショット学習のためのタスクアライメント生成メタラーニング
• Authors: Zhe Liu, Yun Li, Lina Yao, Xianzhi Wang, Guodong Long
• Abstract要約: ゼロショット学習のためのタスク整合型ジェネラティブメタラーニングモデル(TGMZ)の提案 TGMZはバイアスのあるトレーニングを緩和し、メタZSLが多様な分布を含む現実世界のデータセットに対応できるようにする。 最先端アルゴリズムとの比較により,awa1,awa2,cub,apyデータセット上でtgmzが達成した2.1%,3.0%,2.5%,7.6%の改善が示された。
• 参考スコア（独自算出の注目度）: 64.16125851588437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-shot learning (ZSL) refers to the problem of learning to classify instances from the novel classes (unseen) that are absent in the training set (seen). Most ZSL methods infer the correlation between visual features and attributes to train the classifier for unseen classes. However, such models may have a strong bias towards seen classes during training. Meta-learning has been introduced to mitigate the basis, but meta-ZSL methods are inapplicable when tasks used for training are sampled from diverse distributions. In this regard, we propose a novel Task-aligned Generative Meta-learning model for Zero-shot learning (TGMZ). TGMZ mitigates the potentially biased training and enables meta-ZSL to accommodate real-world datasets containing diverse distributions. TGMZ incorporates an attribute-conditioned task-wise distribution alignment network that projects tasks into a unified distribution to deliver an unbiased model. Our comparisons with state-of-the-art algorithms show the improvements of 2.1%, 3.0%, 2.5%, and 7.6% achieved by TGMZ on AWA1, AWA2, CUB, and aPY datasets, respectively. TGMZ also outperforms competitors by 3.6% in generalized zero-shot learning (GZSL) setting and 7.9% in our proposed fusion-ZSL setting.
• Abstract（参考訳）: ゼロショット学習 (zero-shot learning, zsl) とは、学習セット (seen) に存在しない新しいクラス (unseen) からインスタンスを分類する学習の問題である。 ほとんどのZSLメソッドは視覚的特徴と属性の相関を推測し、未確認クラスの分類器を訓練する。 しかし、そのようなモデルは、トレーニング中に見られるクラスに対して強い偏見を持つ可能性がある。 基礎を緩和するためにメタラーニングが導入されたが、トレーニングに使用されるタスクが多様な分布からサンプリングされる場合、メタZSLメソッドは適用できない。 本稿では,ゼロショット学習(TGMZ)のためのタスク整列型メタ学習モデルを提案する。 TGMZはバイアスのあるトレーニングを緩和し、メタZSLが多様な分布を含む現実世界のデータセットに対応できるようにする。 TGMZには属性条件付きタスク単位の分散アライメントネットワークが組み込まれており、タスクを統一された分散に投影し、バイアスのないモデルを提供する。 TGMZがAWA1, AWA2, CUB, aPYデータセットでそれぞれ達成した2.1%, 3.0%, 2.5%, 7.6%の改善を示した。 TGMZは、一般のゼロショット学習(GZSL)設定で3.6%、提案したフュージョンZSL設定で7.9%、競合より優れている。

関連論文リスト

• Bi-directional Distribution Alignment for Transductive Zero-Shot Learning [48.80413182126543]
  そこで我々は,Bi-VAEGANと呼ばれる新しいゼロショット学習モデル(TZSL)を提案する。 視覚空間と補助空間の間の配向の強化によるシフトを大幅に改善する。 ベンチマーク評価では、Bi-VAEGANは、標準および一般化されたTZSL設定の両方の下で、新しい芸術の状態を達成している。
  論文  参考訳（メタデータ） (2023-03-15T15:32:59Z)
• Targeted Attention for Generalized- and Zero-Shot Learning [0.0]
  Zero-Shot Learning (ZSL)タスクは、ラベル付きデータなしで概念を学習しようとする。 一般ゼロショット学習(GZSL)では,CUB200データセット上でのハーモニック平均R-1が66.14%である。
  論文  参考訳（メタデータ） (2022-11-17T03:55:18Z)
• Efficient Gaussian Process Model on Class-Imbalanced Datasets for Generalized Zero-Shot Learning [37.00463358780726]
  本稿では,潜在機能埋め込みを学習するニューラルネットワークモデルと,未確認クラスの潜在機能プロトタイプを予測するガウスプロセス(GP)回帰モデルを提案する。 我々のモデルは、クラス不均衡なトレーニングデータの影響を緩和する単純なトレーニング戦略により、効率的に訓練される。
  論文  参考訳（メタデータ） (2022-10-11T04:57:20Z)
• Federated Zero-Shot Learning for Visual Recognition [55.65879596326147]
  本稿では,Federated Zero-Shot Learning FedZSLフレームワークを提案する。 FedZSLは、エッジデバイス上の分散データから中心的なモデルを学ぶ。 FedZSLの有効性と堅牢性は、3つのゼロショットベンチマークデータセットで実施された広範な実験によって実証された。
  論文  参考訳（メタデータ） (2022-09-05T14:49:34Z)
• Attribute-Modulated Generative Meta Learning for Zero-Shot Classification [52.64680991682722]
  ゼロショット学習のためのAttribute-Modulated GenerAtive Meta-modelを提案する。 本モデルは属性対応変調ネットワークと属性対応生成ネットワークから構成される。 実験により,AMAZはZSLで3.8%,ZSLで5.1%改善し,ZSL設定を一般化した。
  論文  参考訳（メタデータ） (2021-04-22T04:16:43Z)
• Meta-Learned Attribute Self-Gating for Continual Generalized Zero-Shot Learning [82.07273754143547]
  トレーニング中に見られないカテゴリにモデルを一般化するためのメタ連続ゼロショット学習(MCZSL)アプローチを提案する。 属性の自己決定とスケールしたクラス正規化をメタラーニングベースのトレーニングと組み合わせることで、最先端の成果を上回ることができるのです。
  論文  参考訳（メタデータ） (2021-02-23T18:36:14Z)
• End-to-end Generative Zero-shot Learning via Few-shot Learning [76.9964261884635]
  ゼロショット学習(ZSL)の最先端アプローチでは、生成ネットをトレーニングし、提供されたメタデータに条件付きサンプルを合成する。 本稿では,このような手法をバックボーンとして使用し,合成した出力をFew-Shot Learningアルゴリズムに供給するエンドツーエンド生成ZSLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-08T17:35:37Z)
• Addressing target shift in zero-shot learning using grouped adversarial learning [1.3857063881574483]
  ゼロショット学習(ZSL)の新たなパラダイムとして, (i) 未確認クラスのクラス属性マッピングを用いて目標分布の変化(ターゲットシフト)を推定し, (ii) グループ適応学習(gAL) と呼ばれる新しい手法を提案する。 提案手法は暗黙的属性予測を含むいくつかの既存のZSLアルゴリズムに適用可能である。
  論文  参考訳（メタデータ） (2020-03-02T13:00:27Z)

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。