論文の概要: Few-shot Partial Multi-view Learning
- arxiv url: http://arxiv.org/abs/2105.02046v4
- Date: Thu, 18 May 2023 13:25:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-19 21:21:09.273551
- Title: Few-shot Partial Multi-view Learning
- Title(参考訳): 部分的多視点学習
- Authors: Yuan Zhou, Yanrong Guo, Shijie Hao, Richang Hong, Jiebo Luo
- Abstract要約: 本稿では,複数ショット部分的多視点学習という新しい課題を提案する。
それは、低データ体制におけるビューミス問題によるネガティブな影響を克服することに焦点を当てている。
提案手法を評価するため,広範囲な実験を行った。
- 参考スコア(独自算出の注目度): 103.33865779721458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is often the case that data are with multiple views in real-world
applications. Fully exploring the information of each view is significant for
making data more representative. However, due to various limitations and
failures in data collection and pre-processing, it is inevitable for real data
to suffer from view missing and data scarcity. The coexistence of these two
issues makes it more challenging to achieve the pattern classification task.
Currently, to our best knowledge, few appropriate methods can well-handle these
two issues simultaneously. Aiming to draw more attention from the community to
this challenge, we propose a new task in this paper, called few-shot partial
multi-view learning, which focuses on overcoming the negative impact of the
view-missing issue in the low-data regime. The challenges of this task are
twofold: (i) it is difficult to overcome the impact of data scarcity under the
interference of missing views; (ii) the limited number of data exacerbates
information scarcity, thus making it harder to address the view-missing issue
in turn. To address these challenges, we propose a new unified Gaussian
dense-anchoring method. The unified dense anchors are learned for the limited
partial multi-view data, thereby anchoring them into a unified dense
representation space where the influence of data scarcity and view missing can
be alleviated. We conduct extensive experiments to evaluate our method. The
results on Cub-googlenet-doc2vec, Handwritten, Caltech102, Scene15, Animal,
ORL, tieredImagenet, and Birds-200-2011 datasets validate its effectiveness.
- Abstract(参考訳): 実世界のアプリケーションでは、データが複数のビューを持つことが多い。
各ビューの情報を完全に探索することは、データをより代表的にする上で重要である。
しかしながら、データ収集や前処理のさまざまな制限や障害のため、実際のデータが欠如やデータの不足に苦しむことは避けられない。
これら2つの課題の共存により、パターン分類タスクの達成がより困難になる。
現在、私たちの知る限り、これらの2つの問題を同時に解決できる適切な方法はほとんどない。
本論文では,この課題に対するコミュニティの注目度を高めるために,低データ体制における視点欠落問題に対するネガティブな影響を克服することを目的とした,少数ショット部分的多視点学習という新たな課題を提案する。
このタスクの課題は2つあります。
(i)欠落した見解の干渉によるデータ不足の影響を克服することは困難である。
(ii) 限られたデータ数が情報不足を悪化させるため、ビューミス問題に対処するのが難しくなる。
これらの課題に対処するため,新しいガウス密度アンコール法を提案する。
限られた部分的多視点データに対して統一的密集アンカーを学習し、データ不足やビュー不足の影響を緩和できる統一的密集表現空間に固定する。
提案手法を評価するために広範な実験を行う。
Cub-googlenet-doc2vec, Hand written, Caltech102, Scene15, Animal, ORL, tieredImagenet, Birds-200-2011 のデータセットの結果は,その有効性を検証する。
関連論文リスト
- Task-Augmented Cross-View Imputation Network for Partial Multi-View Incomplete Multi-Label Classification [25.764838008710615]
本稿では,タスク拡張型クロスビュー計算ネットワーク(TACVI-Net)を提案する。
第一段階では、情報ボトルネック理論を利用して各視点の識別的表現を得る。
第2段階では、オートエンコーダに基づくマルチビュー再構成ネットワークを使用して、ハイレベルなセマンティック表現を抽出する。
論文 参考訳(メタデータ) (2024-09-12T10:56:11Z) - Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。
このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。
4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
論文 参考訳(メタデータ) (2024-08-02T14:34:27Z) - CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。
ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。
人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
論文 参考訳(メタデータ) (2024-03-28T15:45:03Z) - 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) - 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) - 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。