論文の概要: Intersection Regularization for Extracting Semantic Attributes

• arxiv url: http://arxiv.org/abs/2103.11888v1
• Date: Mon, 22 Mar 2021 14:32:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-23 22:18:06.152403
• Title: Intersection Regularization for Extracting Semantic Attributes
• Title（参考訳）: 節間規則化による意味属性抽出
• Authors: Ameen Ali, Tomer Galanti, Evgeniy Zheltonozhskiy, Chaim Baskin, Lior Wolf
• Abstract要約: 本稿では,ネットワーク抽出した特徴が意味属性のセットと一致するように,教師付き分類の問題を考える。 例えば、鳥類のイメージを種に分類することを学ぶとき、動物学者が鳥類を分類するために使用する特徴の出現を観察したい。 本稿では,複数層パーセプトロン(MLP)と並列決定木を併用した,離散的なトップレベルアクティベーションを持つニューラルネットワークのトレーニングを提案する。
• 参考スコア（独自算出の注目度）: 72.53481390411173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of supervised classification, such that the features that the network extracts match an unseen set of semantic attributes, without any additional supervision. For example, when learning to classify images of birds into species, we would like to observe the emergence of features that zoologists use to classify birds. We propose training a neural network with discrete top-level activations, which is followed by a multi-layered perceptron (MLP) and a parallel decision tree. We present a theoretical analysis as well as a practical method for learning in the intersection of two hypothesis classes. Since real-world features are often sparse, a randomized sparsity regularization is also applied. Our results on multiple benchmarks show an improved ability to extract a set of features that are highly correlated with the set of unseen attributes.
• Abstract（参考訳）: ネットワークが抽出する特徴が、追加の監督なしに、目に見えないセマンティック属性の集合と一致するような、教師付き分類の問題を考える。 例えば、鳥類のイメージを種に分類することを学ぶとき、動物学者が鳥類を分類するために使用する特徴の出現を観察したい。 本稿では,複数層パーセプトロン (MLP) と並列決定木を用いた,離散的なトップレベルアクティベーションを用いたニューラルネットワークのトレーニングを提案する。 本稿では,2つの仮説クラスを交互に学習するための理論解析と実践的手法を提案する。 実世界の特徴はしばしばスパースであるため、ランダム化された空間正規化も適用される。 複数のベンチマークの結果から,不明瞭な属性の集合と高い相関関係を持つ特徴の集合を抽出する能力が改善された。

関連論文リスト

• Multi-annotator Deep Learning: A Probabilistic Framework for Classification [2.445702550853822]
  標準的なディープニューラルネットワークのトレーニングは、マルチアノテーションによる教師付き学習設定におけるサブパーパフォーマンスにつながる。 マルチアノテーション深層学習(MaDL)という確率的学習フレームワークを提案することでこの問題に対処する。 モジュラーネットワークアーキテクチャは、アノテータのパフォーマンスに関する様々な仮定を可能にする。 以上の結果から,MADLの最先端性能と,関連性のあるスパムアノテータに対する堅牢性が確認された。
  論文  参考訳（メタデータ） (2023-04-05T16:00:42Z)
• Understanding Imbalanced Semantic Segmentation Through Neural Collapse [81.89121711426951]
  セマンティックセグメンテーションは自然に文脈的相関とクラス間の不均衡分布をもたらすことを示す。 機能中心にレギュレータを導入し、ネットワークが魅力ある構造に近い機能を学ぶことを奨励する。 我々の手法は、ScanNet200テストリーダーボードで1位にランクインし、新しい記録を樹立する。
  論文  参考訳（メタデータ） (2023-01-03T13:51:51Z)
• Equivariance with Learned Canonicalization Functions [77.32483958400282]
  正規化を行うために小さなニューラルネットワークを学習することは、事前定義を使用することよりも優れていることを示す。 実験の結果,正準化関数の学習は多くのタスクで同変関数を学習する既存の手法と競合することがわかった。
  論文  参考訳（メタデータ） (2022-11-11T21:58:15Z)
• Semi-supervised Predictive Clustering Trees for (Hierarchical) Multi-label Classification [2.706328351174805]
  本稿では,予測クラスタリング木の半教師付き学習に基づく階層型マルチラベル分類手法を提案する。 また,この手法をアンサンブル学習に拡張し,ランダムな森林アプローチに基づく手法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T12:49:00Z)
• A Top-down Supervised Learning Approach to Hierarchical Multi-label Classification in Networks [0.21485350418225244]
  本稿では,階層型マルチラベル分類(HMC)に対する一般的な予測モデルを提案する。 クラスごとの局所分類器を構築することで教師あり学習により階層的マルチラベル分類に対処するトップダウン分類アプローチに基づいている。 本モデルでは, イネOryza sativa Japonicaの遺伝子機能の予測について事例研究を行った。
  論文  参考訳（メタデータ） (2022-03-23T17:29:17Z)
• Semantic Clustering based Deduction Learning for Image Recognition and Classification [19.757743366620613]
  本稿では,人間の脳の学習・思考過程を模倣した意味的クラスタリングに基づく推論学習を提案する。 提案手法は広範な実験を通じて理論的,実証的に支持される。
  論文  参考訳（メタデータ） (2021-12-25T01:31:21Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• Learning from Aggregate Observations [82.44304647051243]
  本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。 本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。 単純な極大解は様々な微分可能なモデルに適用できる。
  論文  参考訳（メタデータ） (2020-04-14T06:18:50Z)

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。