論文の概要: Enhancing ensemble learning and transfer learning in multimodal data
analysis by adaptive dimensionality reduction
- arxiv url: http://arxiv.org/abs/2105.03682v1
- Date: Sat, 8 May 2021 11:53:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 14:48:08.435310
- Title: Enhancing ensemble learning and transfer learning in multimodal data
analysis by adaptive dimensionality reduction
- Title（参考訳）: 適応次元低減によるマルチモーダルデータ解析におけるアンサンブル学習と転送学習の強化
- Authors: Andrea Marinoni, Saloua Chlaily, Eduard Khachatrian, Torbj{\o}rn
Eltoft, Sivasakthy Selvakumaran, Mark Girolami, Christian Jutten
- Abstract要約: マルチモーダルデータ分析では、すべての観測が同じレベルの信頼性や情報品質を示すわけではない。
この問題を克服するために,次元削減のための適応的アプローチを提案する。
多様な研究分野で得られたマルチモーダルデータセットのアプローチをテストします。
- 参考スコア（独自算出の注目度）: 10.646114896709717
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Modern data analytics take advantage of ensemble learning and transfer
learning approaches to tackle some of the most relevant issues in data
analysis, such as lack of labeled data to use to train the analysis models,
sparsity of the information, and unbalanced distributions of the records.
Nonetheless, when applied to multimodal datasets (i.e., datasets acquired by
means of multiple sensing techniques or strategies), the state-of-theart
methods for ensemble learning and transfer learning might show some
limitations. In fact, in multimodal data analysis, not all observations would
show the same level of reliability or information quality, nor an homogeneous
distribution of errors and uncertainties. This condition might undermine the
classic assumptions ensemble learning and transfer learning methods rely on. In
this work, we propose an adaptive approach for dimensionality reduction to
overcome this issue. By means of a graph theory-based approach, the most
relevant features across variable size subsets of the considered datasets are
identified. This information is then used to set-up ensemble learning and
transfer learning architectures. We test our approach on multimodal datasets
acquired in diverse research fields (remote sensing, brain-computer interfaces,
photovoltaic energy). Experimental results show the validity and the robustness
of our approach, able to outperform state-of-the-art techniques.
- Abstract（参考訳）: 現代のデータ分析では、アンサンブル学習と転送学習のアプローチを利用して、分析モデルのトレーニングに使用するラベル付きデータの欠如、情報のスパーシティ、レコードの非バランス分布など、データ分析の最も関連する問題に対処している。
それでも、マルチモーダルデータセット(つまり、複数のセンシング技術や戦略によって取得されたデータセット)に適用した場合、学習と伝達学習の最先端の手法にはいくつかの制限がある。
実際、マルチモーダルデータ分析では、すべての観測結果が同じレベルの信頼性や情報品質、あるいはエラーや不確実性の均質な分布を示すわけではない。
この条件は、アンサンブル学習と転校学習の方法に依存する古典的な仮定を損なうかもしれない。
本研究では,この問題を克服するために,次元削減のための適応的アプローチを提案する。
グラフ理論に基づくアプローチにより、考慮されたデータセットの可変サイズ部分集合にまたがる最も関連する特徴を識別する。
この情報はアンサンブル学習と転送学習アーキテクチャのセットアップに使用される。
多様な研究分野(リモートセンシング,脳-コンピュータインターフェース,光エネルギー)で得られたマルチモーダルデータセットに対するアプローチを検証した。
実験の結果,本手法の有効性と頑健性を示し,最先端技術よりも優れていた。
関連論文リスト
- Cross-feature Contrastive Loss for Decentralized Deep Learning on
Heterogeneous Data [8.946847190099206]
異種データに基づく分散学習のための新しい手法を提案する。
一対の隣接するエージェントのクロスフィーチャーは、他のエージェントのモデルパラメータに関するエージェントのデータから得られる特徴である。
実験の結果,提案手法は異種データを用いた分散学習手法に比べて性能(テスト精度が0.2～4%向上)が優れていることがわかった。
論文 参考訳（メタデータ） (2023-10-24T14:48:23Z) - A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳（メタデータ） (2022-07-29T02:34:19Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - Deep invariant networks with differentiable augmentation layers [87.22033101185201]
データ拡張ポリシーの学習方法は、保持データを必要とし、二段階最適化の問題に基づいている。
我々のアプローチは、現代の自動データ拡張技術よりも訓練が簡単で高速であることを示す。
論文 参考訳（メタデータ） (2022-02-04T14:12:31Z) - A graph representation based on fluid diffusion model for multimodal
data analysis: theoretical aspects and enhanced community detection [14.601444144225875]
流体拡散に基づくグラフ定義の新しいモデルを提案する。
本手法は,マルチモーダルデータ解析において,コミュニティ検出のための最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2021-12-07T16:30:03Z) - Non-IID data and Continual Learning processes in Federated Learning: A
long road ahead [58.720142291102135]
フェデレートラーニング(Federated Learning)は、複数のデバイスや機関が、データをプライベートに保存しながら、機械学習モデルを協調的にトレーニングすることを可能にする、新しいフレームワークである。
本研究では,データの統計的不均一性を正式に分類し,それに直面することのできる最も顕著な学習戦略をレビューする。
同時に、継続学習のような他の機械学習フレームワークからのアプローチを導入し、データの不均一性にも対処し、フェデレートラーニング設定に容易に適応できるようにします。
論文 参考訳（メタデータ） (2021-11-26T09:57:11Z) - Multiscale Laplacian Learning [3.24029503704305]
本稿では,機械学習タスクに対する2つの革新的なマルチスケールラプラシアン学習手法を提案する。
マルチカーネル多様体学習(MML)と呼ばれる最初のアプローチは、マルチカーネル情報と多様体学習を統合する。
2つ目のアプローチは、MBO (Multiscale MBO) 法と呼ばれ、有名な古典的なメリマン・バーンス=オッシャースキームの修正にマルチスケールのラプラシアンを導入している。
論文 参考訳（メタデータ） (2021-09-08T15:25:32Z) - Quasi-Global Momentum: Accelerating Decentralized Deep Learning on
Heterogeneous Data [77.88594632644347]
ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。
現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。
本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2021-02-09T11:27:14Z) - Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory
to Learning Algorithms [91.3755431537592]
プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。
この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
論文 参考訳（メタデータ） (2021-01-26T17:11:40Z) - Siloed Federated Learning for Multi-Centric Histopathology Datasets [0.17842332554022694]
本稿では,医学領域における深層学習アーキテクチャのための新しいフェデレーション学習手法を提案する。
局所統計バッチ正規化(BN)層が導入され、協調的に訓練されるが中心に固有のモデルが作られる。
本研究では,Camelyon16およびCamelyon17データセットから抽出した腫瘍組織像の分類法についてベンチマークを行った。
論文 参考訳（メタデータ） (2020-08-17T15:49:30Z) - Multi-Objective Genetic Programming for Manifold Learning: Balancing
Quality and Dimensionality [4.4181317696554325]
最先端の多様体学習アルゴリズムはこの変換の実行方法において不透明である。
多様体の品質と次元の競合する目的を自動的にバランスさせる多目的アプローチを導入する。
提案手法は,基礎および最先端の多様体学習手法と競合する。
論文 参考訳（メタデータ） (2020-01-05T23:24:33Z)
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。