Fugu-MT 論文翻訳(概要): Revisiting Few-shot Relation Classification: Evaluation Data and Classification Schemes

論文の概要: Revisiting Few-shot Relation Classification: Evaluation Data and Classification Schemes

arxiv url: http://arxiv.org/abs/2104.08481v1
Date: Sat, 17 Apr 2021 08:16:49 GMT
ステータス: 処理完了
システム内更新日: 2021-04-20 14:14:14.040707
Title: Revisiting Few-shot Relation Classification: Evaluation Data and Classification Schemes
Title（参考訳）: ファウショット関係分類の再検討:評価データと分類方式
Authors: Ofer Sabo, Yanai Elazar, Yoav Goldberg, Ido Dagan
Abstract要約: 教師付きRC用データセットから,より現実的な数ショットテストデータを得るための新しい手法を提案する。これにより、FSL RCの新たな挑戦的なベンチマークが得られ、その上で、アートモデルの状態はパフォーマンスの低下を示している。そこで我々はNOTAカテゴリを学習ベクトルとして表現する新しい分類手法を提案する。
参考スコア（独自算出の注目度）: 57.34346419239118
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We explore Few-Shot Learning (FSL) for Relation Classification (RC). Focusing on the realistic scenario of FSL, in which a test instance might not belong to any of the target categories (none-of-the-above, aka NOTA), we first revisit the recent popular dataset structure for FSL, pointing out its unrealistic data distribution. To remedy this, we propose a novel methodology for deriving more realistic few-shot test data from available datasets for supervised RC, and apply it to the TACRED dataset. This yields a new challenging benchmark for FSL RC, on which state of the art models show poor performance. Next, we analyze classification schemes within the popular embedding-based nearest-neighbor approach for FSL, with respect to constraints they impose on the embedding space. Triggered by this analysis we propose a novel classification scheme, in which the NOTA category is represented as learned vectors, shown empirically to be an appealing option for FSL.
Abstract（参考訳）: 関係分類のためのFSL(Few-Shot Learning)について検討する。 FSLの現実的なシナリオに着目して、テストインスタンスがターゲットカテゴリのどれにも属さない場合(つまりNOTA)、FSLの最近の一般的なデータセット構造を再検討し、非現実的なデータ分布を指摘する。そこで本研究では,教師付きRCデータセットから,より現実的な数ショットテストデータを抽出し,TACREDデータセットに適用する手法を提案する。これにより、FSL RCの新たな挑戦的なベンチマークが得られ、その上で、アートモデルの状態はパフォーマンスの低下を示している。次に、埋め込み空間に課せられる制約に関して、FSLの一般的な埋め込みに基づく最も近い隣り合うアプローチの分類スキームを分析する。そこで本研究では,NOTAカテゴリを学習ベクトルとして表現する新たな分類手法を提案する。

関連論文リスト

High-Performance Few-Shot Segmentation with Foundation Models: An Empirical Study [64.06777376676513]
基礎モデルに基づく数ショットセグメンテーション(FSS)フレームワークを開発した。具体的には、基礎モデルから暗黙的な知識を抽出し、粗い対応を構築するための簡単なアプローチを提案する。 2つの広く使われているデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2024-09-10T08:04:11Z)
EOL: Transductive Few-Shot Open-Set Recognition by Enhancing Outlier Logits [16.081748213657825]
Few-Shot Learningでは、モデルがクエリセットから見えないオブジェクトを認識するように訓練されている。本研究では,オープンセットのFew-Shot認識における,よりニュアンスで実践的な課題について検討する。
論文参考訳（メタデータ） (2024-08-04T15:00:22Z)
A Closer Look at Benchmarking Self-Supervised Pre-training with Image Classification [51.35500308126506]
自己教師付き学習(SSL)は、データ自体が監視を提供する機械学習アプローチであり、外部ラベルの必要性を排除している。 SSLの分類に基づく評価プロトコルがどのように相関し、異なるデータセットのダウンストリーム性能を予測するかを検討する。
論文参考訳（メタデータ） (2024-07-16T23:17:36Z)
Co-training for Low Resource Scientific Natural Language Inference [65.37685198688538]
遠隔教師付きラベルに分類器のトレーニング力学に基づいて重みを割り当てる新しいコトレーニング手法を提案する。予測された信頼度に対する任意のしきい値に基づいてサンプルをフィルタリングするのではなく、重要重みを割り当てることにより、自動ラベル付きデータの使用を最大化する。提案手法は、遠隔監視ベースラインに対するマクロF1の1.5%の改善と、他の強力なSSLベースラインよりも大幅に改善されている。
論文参考訳（メタデータ） (2024-06-20T18:35:47Z)
PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
論文参考訳（メタデータ） (2022-11-29T08:41:29Z)
GCT: Graph Co-Training for Semi-Supervised Few-Shot Learning [46.07923908746946]
新たなラベル予測手法である孤立グラフ学習(IGL)を提案する。 IGLでは、生データをグラフ空間にエンコードするLaplacian演算子を導入している。第2に,マルチモーダル融合の観点から,この課題に対処するためのグラフコライニング(GCT)を提案する。
論文参考訳（メタデータ） (2022-03-15T09:13:35Z)
A Strong Baseline for Semi-Supervised Incremental Few-Shot Learning [54.617688468341704]
少ないショット学習は、限られたトレーニングサンプルを持つ新しいクラスに一般化するモデルを学ぶことを目的としている。本研究では,(1)信頼できない擬似ラベルによる基本クラスと新クラスのあいまいさを緩和する高度に設計されたメタトレーニングアルゴリズム,(2)ラベルの少ないデータとラベルなしデータを用いて基礎知識を保ちながら,新クラスの識別的特徴を学習するモデル適応機構を提案する。
論文参考訳（メタデータ） (2021-10-21T13:25:52Z)
A Realistic Evaluation of Semi-Supervised Learning for Fine-Grained Classification [38.68079253627819]
本ベンチマークは, avesおよびfungi分類のクラスをサンプリングして得られた2つの細粒度分類データセットからなる。最近提案されたSSLメソッドは大きなメリットをもたらし、深いネットワークがゼロから訓練されたときにクラス外のデータを効果的にパフォーマンスを向上させることができます。我々の研究は、現実的データセットの専門家による半教師付き学習は、現在文学で普及しているものとは異なる戦略を必要とする可能性があることを示唆している。
論文参考訳（メタデータ） (2021-04-01T17:59:41Z)
Match Them Up: Visually Explainable Few-shot Image Classification [27.867833878756553]
ほとんどショットラーニングは、通常、訓練済みの知識がベース(見えない)カテゴリから得られ、新しい(見えない)カテゴリに十分に移行できるという仮定に基づいている。本稿では、バックボーンモデルからの視覚的表現と、新たに導入された説明可能な分類器によって生成される重みを用いて、画像分類のための新しいFSLを実行する方法を明らかにする。実験結果から,提案手法は3つの主流データセットに対して良好な精度と良好な説明性が得られることが示された。
論文参考訳（メタデータ） (2020-11-25T05:47:35Z)
Few-shot Image Recognition with Manifolds [10.312968200748116]
ソースドメインデータがアクセスできない状況に、従来の数発の学習問題を拡張します。限られたトレーニングデータから,すべてのクラスプロトタイプが多様体上に構造的に配置されていることを前提として,非パラメトリックな手法を提案する。分類において、クラスプロトタイプで構築されたグラフ上にマルコフ連鎖を誘導することにより、カテゴリの構造的配置を再び活用する。
論文参考訳（メタデータ） (2020-10-22T21:57:27Z)

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。