論文の概要: Hierarchical Relationship Alignment Metric Learning

• arxiv url: http://arxiv.org/abs/2103.15107v1
• Date: Sun, 28 Mar 2021 11:10:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 09:53:36.115200
• Title: Hierarchical Relationship Alignment Metric Learning
• Title（参考訳）: 階層的関係調整メトリックラーニング
• Authors: Lifeng Gu
• Abstract要約: 本論文では,モデルメトリック学習問題に対する関係アライメントの概念を用いた階層的関係アライメントメトリック傾きモデルHRAMLを提案する。 学習タスクによって分割されたいくつかの実験を組織し、多くの一般的なメソッドやRAMLフレームワークに対してHRAMLの性能を検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most existing metric learning methods focus on learning a similarity or distance measure relying on similar and dissimilar relations between sample pairs. However, pairs of samples cannot be simply identified as similar or dissimilar in many real-world applications, e.g., multi-label learning, label distribution learning. To this end, relation alignment metric learning (RAML) framework is proposed to handle the metric learning problem in those scenarios. But RAML learn a linear metric, which can't model complex datasets. Combining with deep learning and RAML framework, we propose a hierarchical relationship alignment metric leaning model HRAML, which uses the concept of relationship alignment to model metric learning problems under multiple learning tasks, and makes full use of the consistency between the sample pair relationship in the feature space and the sample pair relationship in the label space. Further we organize several experiment divided by learning tasks, and verified the better performance of HRAML against many popular methods and RAML framework.
• Abstract（参考訳）: 既存のメトリック学習法は、サンプルペア間の類似点や類似点に依存する類似点や距離尺度の学習に焦点を当てている。 しかし、サンプルのペアは、例えばマルチラベル学習、ラベル分布学習など、現実世界の多くのアプリケーションにおいて、単に類似または異種と特定できない。 この目的のために,これらのシナリオにおける距離学習問題を扱うために,関係アライメントメトリック学習(RAML)フレームワークを提案する。 しかし、RAMLは複雑なデータセットをモデル化できない線形メトリックを学ぶ。 深層学習とRAMLフレームワークを組み合わせることで,複数の学習課題における距離学習問題に対する関係アライメントの概念を用いて,特徴空間におけるサンプルペア関係とラベル空間におけるサンプルペア関係との整合性をフル活用する階層的関係アライメント計量傾きモデルHRAMLを提案する。 さらに,学習タスクによって分割されたいくつかの実験を整理し,多くの一般的なメソッドやRAMLフレームワークに対して,HRAMLの優れた性能を検証した。

関連論文リスト

• ConML: A Universal Meta-Learning Framework with Task-Level Contrastive Learning [49.447777286862994]
  ConMLは、さまざまなメタ学習アルゴリズムに適用可能な、普遍的なメタ学習フレームワークである。 我々は、ConMLが最適化ベース、メートル法ベース、およびアモータイズベースメタ学習アルゴリズムとシームレスに統合できることを実証した。
  論文  参考訳（メタデータ） (2024-10-08T12:22:10Z)
• POGEMA: A Benchmark Platform for Cooperative Multi-Agent Navigation [76.67608003501479]
  主評価指標の基礎に基づいて計算された領域関連メトリクスの範囲を定義する評価プロトコルを導入・指定する。 このような比較の結果は、様々な最先端のMARL、検索ベース、ハイブリッド手法を含むものである。
  論文  参考訳（メタデータ） (2024-07-20T16:37:21Z)
• DiffKendall: A Novel Approach for Few-Shot Learning with Differentiable Kendall's Rank Correlation [16.038667928358763]
  ほとんどショットラーニングは、ベースデータセットでトレーニングされたモデルを、それまでモデルで見られていなかった新しいタスクに適応することを目的としていない。 これはしばしば、新しいクラスのチャネルにまたがって、機能値の比較的均一な分布をもたらす。 特徴チャネルのランク付けの重要性は、幾何学的類似度指標よりも、数ショット学習においてより信頼性の高い指標であることが示される。
  論文  参考訳（メタデータ） (2023-07-28T05:32:56Z)
• Metric Learning as a Service with Covariance Embedding [7.5989847759545155]
  メトリック学習は、クラス内およびクラス間の類似性を最大化し、最小化する。 既存のモデルは、分離可能な埋め込み空間を得るために主に距離測度に依存する。 高性能なディープラーニングアプリケーションのためのサービスとしてメトリック学習を有効にするためには、クラス間の関係も賢明に扱うべきだ、と我々は主張する。
  論文  参考訳（メタデータ） (2022-11-28T10:10:59Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• ReSSL: Relational Self-Supervised Learning with Weak Augmentation [68.47096022526927]
  自己教師付き学習は、データアノテーションなしで視覚表現を学ぶことに成功しました。 本稿では,異なるインスタンス間の関係をモデル化して表現を学習する新しいリレーショナルSSLパラダイムを提案する。 提案したReSSLは,性能とトレーニング効率の両面で,従来の最先端アルゴリズムよりも大幅に優れています。
  論文  参考訳（メタデータ） (2021-07-20T06:53:07Z)
• Positive semidefinite support vector regression metric learning [0.0]
  これらのシナリオにおけるメートル法学習問題に対処するためにRAMLフレームワークが提案されている。 計量学習に必要な正の半定距離メートル法を学習することはできない。 弱さを克服するために2つのメソドを提案する。
  論文  参考訳（メタデータ） (2020-08-18T04:45:59Z)
• Memory-Augmented Relation Network for Few-Shot Learning [114.47866281436829]
  本研究では,新しい距離学習手法であるメモリ拡張リレーショナルネットワーク(MRN)について検討する。 MRNでは、作業状況と視覚的に類似したサンプルを選択し、重み付け情報伝搬を行い、選択したサンプルから有用な情報を注意深く集約し、その表現を強化する。 我々は、MRNが祖先よりも大幅に向上し、他の数発の学習手法と比較して、競争力や性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-05-09T10:09:13Z)
• A Multilayer Framework for Online Metric Learning [71.31889711244739]
  本稿では,インスタンス間の非線形類似性を捉えるために,オンラインメトリック学習のための多層フレームワークを提案する。 マハラノビスをベースとした新しいオンラインメトリックラーニング(MOML)アルゴリズムは、受動攻撃戦略とワンパス三重項構築戦略に基づいて提案される。 提案したMLOMLは、いくつかの優れた特性を享受し、実際にメトリクスを漸進的に学習し、ベンチマークデータセットでより良いパフォーマンスを発揮する。
  論文  参考訳（メタデータ） (2018-05-15T01:10:18Z)

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。