論文の概要: Affinity-Based Hierarchical Learning of Dependent Concepts for Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2104.04889v1
• Date: Sun, 11 Apr 2021 01:08:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-15 06:45:50.149677
• Title: Affinity-Based Hierarchical Learning of Dependent Concepts for Human Activity Recognition
• Title（参考訳）: アフィニティに基づく人間行動認識のための依存概念の階層的学習
• Authors: Aomar Osmani, Massinissa Hamidi, Pegah Alizadeh
• Abstract要約: 重なり合うクラスを階層化することで、分類性能が大幅に向上することを示す。 これは、SHLデータセットに特徴付けられるアクティビティ認識タスクの場合、特に当てはまります。 学習プロセスの最適階層を決定するために,クラス間の移動親和性に基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 6.187780920448871
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In multi-class classification tasks, like human activity recognition, it is often assumed that classes are separable. In real applications, this assumption becomes strong and generates inconsistencies. Besides, the most commonly used approach is to learn classes one-by-one against the others. This computational simplification principle introduces strong inductive biases on the learned theories. In fact, the natural connections among some classes, and not others, deserve to be taken into account. In this paper, we show that the organization of overlapping classes (multiple inheritances) into hierarchies considerably improves classification performances. This is particularly true in the case of activity recognition tasks featured in the SHL dataset. After theoretically showing the exponential complexity of possible class hierarchies, we propose an approach based on transfer affinity among the classes to determine an optimal hierarchy for the learning process. Extensive experiments show improved performances and a reduction in the number of examples needed to learn.
• Abstract（参考訳）: ヒューマンアクティビティ認識のような多クラス分類タスクでは、クラスは分離可能であると仮定されることが多い。 実際のアプリケーションでは、この仮定は強くなり、矛盾を生み出す。 さらに、最も一般的に使用されるアプローチは、クラスを1対1で学習することです。 この計算単純化原理は、学習理論に強い帰納バイアスをもたらす。 実際、一部のクラス間の自然のつながりは、他のクラスではなく、考慮すべきものである。 本稿では,重複するクラス(複数継承)の階層化によって,分類性能が大幅に向上することを示す。 これは、SHLデータセットに特徴付けられるアクティビティ認識タスクの場合、特に当てはまります。 クラス階層の指数的複雑性を理論的に示した後,学習過程の最適階層を決定するために,クラス間の移動親和性に基づくアプローチを提案する。 広範な実験により、パフォーマンスが向上し、学習に必要なサンプル数が減少した。

関連論文リスト

• On Transfer in Classification: How Well do Subsets of Classes Generalize? [6.38421840998693]
  分類において、あるクラスの集合で訓練されたモデルが、以前は目に見えないモデルに一般化できることを観察することは、通常である。 この機能は、事前訓練されたモデルを使って新しいクラスを処理できるトランスファーラーニングの文脈でしばしば活用される。 本研究では,クラス間の移動可能性に関する理論的枠組みの基盤を構築することに興味を持つ。
  論文  参考訳（メタデータ） (2024-03-06T09:25:22Z)
• TaxoKnow: Taxonomy as Prior Knowledge in the Loss Function of Multi-class Classification [1.130757825611188]
  本稿では,学習アルゴリズムの損失関数に,階層型分類を明示的正規化器として統合する2つの方法を紹介する。 階層的な分類法により、ニューラルネットワークはクラス上の出力分布を緩和し、少数クラスの上位概念を条件付けする。
  論文  参考訳（メタデータ） (2023-05-24T08:08:56Z)
• Synergies between Disentanglement and Sparsity: Generalization and Identifiability in Multi-Task Learning [79.83792914684985]
  我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。 この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-26T21:02:09Z)
• Long-tail Recognition via Compositional Knowledge Transfer [60.03764547406601]
  末尾クラスの少数ショット問題に対処する長尾認識のための新しい戦略を導入する。 我々の目標は、情報に富んだ共通クラスから得られた知識を、意味的に類似しているがデータに富む稀なクラスに伝達することである。 実験結果から,本手法は稀なクラスにおいて,堅牢な共通クラス性能を維持しつつ,大幅な性能向上を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-12-13T15:48:59Z)
• Open-Set Representation Learning through Combinatorial Embedding [62.05670732352456]
  ラベル付きクラスとラベルなしクラスの両方の例に基づく表現学習を通じて、データセットにおける新しい概念を識別することに興味がある。 異種ラベル空間上の複数の教師付きメタクラス分類器によって与えられる構成知識を用いて、自然に未知のクラス内のサンプルをクラスタリングする学習手法を提案する。 提案アルゴリズムは,未確認クラスの識別性の向上と,新しいクラスに一般化可能な既知のクラス表現の学習を併用して,新しい概念を探索する。
  論文  参考訳（メタデータ） (2021-06-29T11:51:57Z)
• ECKPN: Explicit Class Knowledge Propagation Network for Transductive Few-shot Learning [53.09923823663554]
  クラスレベルの知識は、ほんの一握りのサンプルから人間が容易に学習することができる。 本稿では,この問題に対処する明示的クラス知識伝達ネットワーク(ECKPN)を提案する。 筆者らは,4つの数ショット分類ベンチマークについて広範な実験を行い,提案したECKPNが最先端の手法よりも優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2021-06-16T02:29:43Z)
• Inducing a hierarchy for multi-class classification problems [11.58041597483471]
  分類的ラベルが自然な階層に従ったアプリケーションでは、ラベル構造を利用する分類方法は、そうでないものをしばしば上回る。 本稿では,フラット分類器に対する分類性能を向上できる階層構造を誘導する手法のクラスについて検討する。 原理シミュレーションと3つの実データアプリケーションにおいて、潜入階層の発見と精度向上のためのメソッドのクラスの有効性を実証する。
  論文  参考訳（メタデータ） (2021-02-20T05:40:42Z)
• Pitfalls of Assessing Extracted Hierarchies for Multi-Class Classification [4.89253144446913]
  私たちは、実践者がメソッドについて誤解を招くような結論を下すかもしれない、一般的な落とし穴を特定します。 階層の質が実験的な設定によってどう無関係になるかを示す。 その結果,多くのクラスを持つデータセットは,これらのクラスが相互に関係する複雑な構造を持つことが明らかとなった。
  論文  参考訳（メタデータ） (2021-01-26T21:50:57Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Evolutionary Simplicial Learning as a Generative and Compact Sparse Framework for Classification [0.0]
  単純学習(simplicial learning)は辞書学習の適応であり、サブスペースをクリップして任意のオフセットを取得する。 本稿では,分類のための生成的かつコンパクトなスパースフレームワークとして,進化的simplicial learning法を提案する。
  論文  参考訳（メタデータ） (2020-05-14T15:44:56Z)

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。