論文の概要: MCGNet: Partial Multi-view Few-shot Learning via Meta-alignment and
Context Gated-aggregation
- arxiv url: http://arxiv.org/abs/2105.02046v1
- Date: Wed, 5 May 2021 13:34:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 12:54:34.292155
- Title: MCGNet: Partial Multi-view Few-shot Learning via Meta-alignment and
Context Gated-aggregation
- Title(参考訳): mcgnet:メタアライメントとコンテキストゲート集約による部分的多視点少数ショット学習
- Authors: Yuan Zhou, Yanrong Guo, Shijie Hao, Richang Hong, Meng Wang
- Abstract要約: 我々はtextbfpartial multi-view few-shot learningという新しい課題を提案する。
この課題は、未完成のマルチビュー事前知識を前提として、少数ショット学習問題を解決することを目的としている。
メタアライメントとコンテキストゲート・アグリゲーションを部分的多視点GNNと組み合わせることで,本手法は最先端の性能を得る。
- 参考スコア(独自算出の注目度): 51.270271836408625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a new challenging task named as \textbf{partial
multi-view few-shot learning}, which unifies two tasks, i.e. few-shot learning
and partial multi-view learning, together. Different from the traditional
few-shot learning, this task aims to solve the few-shot learning problem given
the incomplete multi-view prior knowledge, which conforms more with the
real-world applications. However, this brings about two difficulties within
this task. First, the gaps among different views can be large and hard to
reduce, especially with sample scarcity. Second, due to the incomplete view
information, few-shot learning becomes more challenging than the traditional
one. To deal with the above issues, we propose a new \textbf{Meta-alignment and
Context Gated-aggregation Network} by equipping meta-alignment and context
gated-aggregation with partial multi-view GNNs. Specifically, the
meta-alignment effectively maps the features from different views into a more
compact latent space, thereby reducing the view gaps. Moreover, the context
gated-aggregation alleviates the view-missing influence by leveraging the
cross-view context. Extensive experiments are conducted on the PIE and ORL
dataset for evaluating our proposed method. By comparing with other few-shot
learning methods, our method obtains the state-of-the-art performance
especially with heavily-missing views.
- Abstract(参考訳): 本稿では,2つのタスク,すなわち2つのタスクを統一する「textbf{partial multi-view few-shot learning」という課題を提案する。
少数ショット学習と部分的多視点学習。
従来の数点学習とは違って,この課題は,現実のアプリケーションに適合する不完全な多視点事前知識を考えると,数点学習問題を解決することを目的としている。
しかし、この作業には2つの困難が伴う。
第一に、異なるビュー間のギャップは、特にサンプルの不足により、大きくて小さくなります。
第二に、不完全なビュー情報のため、ショット学習は従来のものよりも困難になる。
上記の問題に対処するため,メタアライメントとコンテキストゲートアグリゲーションを部分的マルチビューGNNに組み込むことにより,新しい「textbf{Meta-alignment and Context Gated-aggregation Network」を提案する。
具体的には、メタアレーメントは異なるビューの機能をよりコンパクトな潜在空間に効果的にマッピングし、ビューギャップを減少させる。
さらに、コンテクストのゲート・アグリゲーションは、クロスビューのコンテキストを活用することで、ビュー・アグリゲーションの影響を軽減する。
提案手法を評価するため,pieおよびorlデータセット上で広範な実験を行った。
提案手法は,他の数発の学習手法と比較することにより,特に難解な視点で最先端のパフォーマンスを得る。
関連論文リスト
- Borrowing Treasures from Neighbors: In-Context Learning for Multimodal Learning with Missing Modalities and Data Scarcity [9.811378971225727]
本稿では、欠落したモダリティに関する現在の研究を低データ体制に拡張する。
フルモダリティデータと十分なアノテートされたトレーニングサンプルを取得することは、しばしばコストがかかる。
本稿では,この2つの重要な問題に対処するために,検索強化したテキスト内学習を提案する。
論文 参考訳(メタデータ) (2024-03-14T14:19:48Z) - Explainable Attention for Few-shot Learning and Beyond [8.32170125150307]
本稿では,説明可能な難易度発見,特に数発の学習シナリオに適した新しいフレームワークを提案する。
提案手法では、深層強化学習を用いて、生の入力データに直接影響するハードアテンションの概念を実装している。
論文 参考訳(メタデータ) (2023-10-11T18:33:17Z) - Accelerating exploration and representation learning with offline
pre-training [52.6912479800592]
1つのオフラインデータセットから2つの異なるモデルを別々に学習することで、探索と表現の学習を改善することができることを示す。
ノイズコントラスト推定と補助報酬モデルを用いて状態表現を学習することで、挑戦的なNetHackベンチマークのサンプル効率を大幅に向上できることを示す。
論文 参考訳(メタデータ) (2023-03-31T18:03:30Z) - Credible Remote Sensing Scene Classification Using Evidential Fusion on
Aerial-Ground Dual-view Images [6.817740582240199]
マルチビュー(マルチソース、マルチモーダル、マルチパースペクティブなど)データはリモートセンシングタスクで頻繁に使用される。
データ品質の問題はさらに明確になり、マルチビューデータの潜在的なメリットが制限される。
深層学習は空中二視点リモートセンシングシーン分類の課題に導入される。
論文 参考訳(メタデータ) (2023-01-02T12:27:55Z) - Uncertainty-Aware Multi-View Representation Learning [53.06828186507994]
動的不確実性認識ネットワーク(DUA-Nets)と呼ばれる新しい教師なし多視点学習手法を考案する。
生成視点から推定されるデータの不確実性により、複数の視点からの固有情報が統合され、ノイズのない表現が得られる。
本モデルでは, 広範囲な実験において優れた性能を示し, ノイズの多いデータに対するロバスト性を示す。
論文 参考訳(メタデータ) (2022-01-15T07:16:20Z) - Text-Based Person Search with Limited Data [66.26504077270356]
テキストベースの人物検索(TBPS)は、画像ギャラリーから対象人物を記述的なテキストクエリで検索することを目的としている。
限られたデータによってもたらされる問題に対処する2つの新しいコンポーネントを持つフレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-20T22:20:47Z) - TSK Fuzzy System Towards Few Labeled Incomplete Multi-View Data
Classification [24.01191516774655]
これらの課題に対処するために,トランスダクティブ半教師付きマルチビューTSKファジィシステムモデリング法(SSIMV_TSK)を提案する。
提案手法は,未知のビュー計算,ラベルなしデータの擬似ラベル学習,ファジィシステムモデリングをひとつのプロセスに統合し,解釈可能なファジィルールを持つモデルを生成する。
実データを用いた実験の結果,提案手法は最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2021-10-08T11:41:06Z) - Error-Robust Multi-View Clustering: Progress, Challenges and
Opportunities [67.54503077766171]
ラベル情報は取得に費用がかかることが多いため、マルチビュークラスタリングが注目されている。
明示的なエラー除去定式化によるエラーロバストマルチビュークラスタリングアプローチは、5つの広範な研究カテゴリに構成できる。
この調査は、マルチビューデータに対するエラーロストクラスタリングの最近の進歩を要約し、レビューする。
論文 参考訳(メタデータ) (2021-05-07T04:03:02Z) - Batch Exploration with Examples for Scalable Robotic Reinforcement
Learning [63.552788688544254]
BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。
BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
論文 参考訳(メタデータ) (2020-10-22T17:49:25Z)
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。