論文の概要: Embedding Semantic Hierarchy in Discrete Optimal Transport for Risk Minimization

• arxiv url: http://arxiv.org/abs/2105.00101v1
• Date: Fri, 30 Apr 2021 21:47:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-06 05:28:31.431402
• Title: Embedding Semantic Hierarchy in Discrete Optimal Transport for Risk Minimization
• Title（参考訳）: リスク最小化のための離散最適輸送におけるセマンティクス階層の埋め込み
• Authors: Yubin Ge, Site Li, Xuyang Li, Fangfang Fan, Wanqing Xie, Jane You, Xiaofeng Liu
• Abstract要約: リスク認識型クラス間相関を離散最適輸送(DOT)トレーニングフレームワークに組み込むことを提案する。 具体的には,階層型セマンティックツリー上でツリー誘導誤差(TIE)を定義し,その増加関数に拡張する。 プラグアンドプレイ方式のセマンティックツリー構造により、複数の大規模画像分類タスクで有望な結果が得られます。
• 参考スコア（独自算出の注目度）: 26.929277114533498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widely-used cross-entropy (CE) loss-based deep networks achieved significant progress w.r.t. the classification accuracy. However, the CE loss can essentially ignore the risk of misclassification which is usually measured by the distance between the prediction and label in a semantic hierarchical tree. In this paper, we propose to incorporate the risk-aware inter-class correlation in a discrete optimal transport (DOT) training framework by configuring its ground distance matrix. The ground distance matrix can be pre-defined following a priori of hierarchical semantic risk. Specifically, we define the tree induced error (TIE) on a hierarchical semantic tree and extend it to its increasing function from the optimization perspective. The semantic similarity in each level of a tree is integrated with the information gain. We achieve promising results on several large scale image classification tasks with a semantic tree structure in a plug and play manner.
• Abstract（参考訳）: 広く使われているクロスエントロピー(CE)の損失に基づくディープネットワークは大きな進歩を遂げた。 分類の正確さです しかし、CE損失は本質的に、意味的階層木における予測とラベルの間の距離によって測定される誤分類のリスクを無視することができる。 本稿では,個別最適輸送(dot)トレーニングフレームワークにおけるリスク対応型クラス間相関を,地上距離行列の設定により組み込む手法を提案する。 基底距離行列は階層的セマンティックリスクの優先順位に従って事前定義することができる。 具体的には、階層的な意味木上でツリー誘導誤差(TIE)を定義し、最適化の観点からその増加関数に拡張する。 ツリーの各レベルにおける意味的類似性は情報ゲインと統合される。 本研究では,複数の大規模画像分類タスクにおいて,プラグアンドプレイ方式で意味木構造を用いて有望な結果を得る。

関連論文リスト

• Harnessing Superclasses for Learning from Hierarchical Databases [1.835004446596942]
  多くの大規模分類問題において、クラスは既知の階層に整理され、通常木として表される。 この種の教師付き階層分類の損失について紹介する。 提案手法では,クロスエントロピーの損失に比較して,計算コストの大幅な増大は伴わない。
  論文  参考訳（メタデータ） (2024-11-25T14:39:52Z)
• Learning Hierarchical Semantic Classification by Grounding on Consistent Image Segmentations [37.80849457554078]
  階層的な意味分類は、単一の平坦な木ではなく、分類木を予測する必要がある。 フラットレベル認識のための階層的セグメンテーションの学習に関する最近の研究に基づいて構築する。 木パスKL分割損失を導入し,各レベルに一貫した正確な予測を行う。
  論文  参考訳（メタデータ） (2024-06-17T14:56:51Z)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• Differentiable Tree Operations Promote Compositional Generalization [106.59434079287661]
  微分可能ツリーマシン(DTM)アーキテクチャは、インタプリタと外部メモリとエージェントを統合し、ツリー操作をシーケンシャルに選択することを学ぶ。 DTMは100%、Transformer、Tree Transformer、LSTM、Tree2Tree LSTMといった既存のベースラインは30%以下である。
  論文  参考訳（メタデータ） (2023-06-01T14:46:34Z)
• Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
  本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。 木の根から葉までの経路は、個々の将来の軌跡を表す。 ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
  論文  参考訳（メタデータ） (2022-05-26T12:18:44Z)
• Tree Energy Loss: Towards Sparsely Annotated Semantic Segmentation [141.16965264264195]
  Sparsely Annotated semantic segmentation (SASS) は、粗い粒度の監督によるセグメンテーションネットワークのトレーニングを目的としている。 ラベルなし画素のセマンティックガイダンスを提供することにより,SASSの新たなツリーエネルギー損失を提案する。
  論文  参考訳（メタデータ） (2022-03-21T05:16:23Z)
• Meta Ordinal Regression Forest for Medical Image Classification with Ordinal Labels [37.121792169424744]
  そこで本研究では, 医用画像分類のためのメタ・オーディショナル・レグレッション・フォレスト (MORF) 法を提案する。 MORFは、畳み込みニューラルネットワークとディファレンシャルフォレストを組み合わせて、メタラーニングフレームワークで順序関係を学習する。 序列ラベルを用いた2つの医用画像分類データセットの実験結果から,既存の最先端手法よりもMORF法の方が優れた性能を示した。
  論文  参考訳（メタデータ） (2022-03-15T08:43:57Z)
• TopicNet: Semantic Graph-Guided Topic Discovery [51.71374479354178]
  既存の階層的なトピックモデルでは、教師なしの方法でテキストコーパスから意味論的意味のあるトピックを抽出することができる。 TopicNetを階層的なトピックモデルとして導入し、学習に影響を与えるための帰納的バイアスとして、事前構造知識を注入する。
  論文  参考訳（メタデータ） (2021-10-27T09:07:14Z)
• TopNet: Topology Preserving Metric Learning for Vessel Tree Reconstruction and Labelling [22.53041565779104]
  本稿では,容器木再構築のための新しいディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、同時に、血管中心線(すなわちノード)上のボクセルを検出するタスクを解決し、再建すべきツリー構造における中心ボクセル(エッジ)間の接続性を推定する。 パブリックIRCADデータセットの徹底的な評価は,提案手法が既存のセマンティックセグメンテーション法よりもかなり優れていることを示している。
  論文  参考訳（メタデータ） (2020-09-18T07:55:58Z)
• Discretization-Aware Architecture Search [81.35557425784026]
  本稿では,離散化対応アーキテクチャサーチ(DAtextsuperscript2S)を提案する。 中心となる考え方は、超ネットワークを所望のトポロジの構成に向けることであり、離散化による精度損失がほとんど軽減される。 標準画像分類ベンチマークの実験は、我々のアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2020-07-07T01:18:58Z)

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。