論文の概要: A Deep Metric Learning Approach to Account Linking
- arxiv url: http://arxiv.org/abs/2105.07263v1
- Date: Sat, 15 May 2021 17:06:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 15:11:52.210644
- Title: A Deep Metric Learning Approach to Account Linking
- Title(参考訳): アカウントリンクのための深層的学習手法
- Authors: Aleem Khan, Elizabeth Fleming, Noah Schofield, Marcus Bishop, Nicholas
Andrews
- Abstract要約: 我々は、同じ著者に属するソーシャルメディアアカウントを自動でリンクする作業について検討する。
ユーザアクティビティの可変サイズのサンプルをベクトル空間にマップする埋め込みの学習に重点を置いている。
本手法は, 訓練時間にないアカウントのサンプル数が少ない場合でも, 高いリンク精度を実現する。
- 参考スコア(独自算出の注目度): 2.86989372262348
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the task of linking social media accounts that belong to the same
author in an automated fashion on the basis of the content and metadata of
their corresponding document streams. We focus on learning an embedding that
maps variable-sized samples of user activity -- ranging from single posts to
entire months of activity -- to a vector space, where samples by the same
author map to nearby points. The approach does not require human-annotated data
for training purposes, which allows us to leverage large amounts of social
media content. The proposed model outperforms several competitive baselines
under a novel evaluation framework modeled after established recognition
benchmarks in other domains. Our method achieves high linking accuracy, even
with small samples from accounts not seen at training time, a prerequisite for
practical applications of the proposed linking framework.
- Abstract(参考訳): 我々は,同一著者に属するソーシャルメディアアカウントを,対応する文書ストリームの内容とメタデータに基づいて自動でリンクするタスクについて検討する。
私たちは、単一の投稿から数ヶ月にわたるユーザアクティビティの可変サイズのサンプルを、同じ著者によるサンプルを近くのポイントにマップするベクトル空間にマッピングする埋め込みを学習することに重点を置いています。
このアプローチでは、トレーニングのために人間の注釈データを必要としないため、大量のソーシャルメディアコンテンツを活用できます。
提案モデルは、他の領域における確立された認識ベンチマークをモデルとした新しい評価フレームワークの下で、いくつかの競合ベースラインを上回る。
提案手法は, 学習時間に見られないアカウントのサンプルが小さい場合でも高いリンク精度を実現し, 提案手法の実用的適用の前提条件となる。
関連論文リスト
- Labeling Indoor Scenes with Fusion of Out-of-the-Box Perception Models [4.157013247909771]
ボトムアップセグメンテーション(SAM)、オブジェクト検出(Detic)、セマンティックセグメンテーション(MaskFormer)の最先端モデルを活用することを提案する。
室内環境におけるセマンティックセグメンテーションとオブジェクトインスタンス検出のための擬似ラベルを得るための,コスト効率の高いラベリング手法を開発することを目的とする。
提案手法の有効性を,Active VisionデータセットとADE20Kデータセットに示す。
論文 参考訳(メタデータ) (2023-11-17T21:58:26Z) - Bridging the Gap: Learning Pace Synchronization for Open-World
Semi-Supervised Learning [49.07038093130949]
オープンワールドの半教師付き学習において、機械学習モデルはラベルなしのデータから新しいカテゴリを明らかにすることを任務とする。
モデルは、正確な監督情報によって、前者をより早く学習する。
本稿では,1) クラス分布の推定に基づく適応的マージンの損失,2) 学習ペースの同期化,2) 出力空間の同じクラスからサンプルを抽出する擬似ラベルコントラストクラスタリングについて紹介する。
論文 参考訳(メタデータ) (2023-09-21T09:44:39Z) - Entity Matching by Pool-based Active Learning [2.690502103971799]
本稿では,エンティティマッチングタスクのためのアクティブラーニング手法ALMatcherを提案する。
この方法は、少数の貴重なサンプルのみを手動でラベル付けし、これらのサンプルを使用して高品質なモデルを構築する必要がある。
提案手法は,異なるフィールドの7つのデータセットに対して検証された。
論文 参考訳(メタデータ) (2022-11-01T07:31:43Z) - Generalization Properties of Retrieval-based Models [50.35325326050263]
検索ベースの機械学習手法は、幅広い問題で成功をおさめた。
これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。
本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
論文 参考訳(メタデータ) (2022-10-06T00:33:01Z) - VLCDoC: Vision-Language Contrastive Pre-Training Model for Cross-Modal
Document Classification [3.7798600249187295]
文書データからのマルチモーダル学習は、前もって意味論的に意味のある機能を学習可能な下流タスクに事前学習可能にすることで、近年大きな成功を収めている。
本稿では,言語と視覚の手がかりを通したクロスモーダル表現の学習により,文書分類問題にアプローチする。
提案手法は,ハイレベルなインタラクションを利用して,モダリティ内外における効果的な注意の流れから関連する意味情報を学習する。
論文 参考訳(メタデータ) (2022-05-24T12:28:12Z) - Semi-Supervised Learning of Semantic Correspondence with Pseudo-Labels [26.542718087103665]
SemiMatchは意味論的に類似した画像間の密接な対応を確立するための半教師付きソリューションである。
筆者らのフレームワークは,ソースと弱増強ターゲット間のモデル予測自体を用いて擬似ラベルを生成し,擬似ラベルを用いてソースと強増強ターゲット間のモデルの再学習を行う。
実験では、SemiMatchは様々なベンチマーク、特にPF-Willowにおける最先端のパフォーマンスを大きなマージンで達成している。
論文 参考訳(メタデータ) (2022-03-30T03:52:50Z) - Deep Relational Metric Learning [84.95793654872399]
本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。
我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。
広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
論文 参考訳(メタデータ) (2021-08-23T09:31:18Z) - Integrating Semantics and Neighborhood Information with Graph-Driven
Generative Models for Document Retrieval [51.823187647843945]
本稿では,周辺情報をグラフ誘導ガウス分布でエンコードし,その2種類の情報をグラフ駆動生成モデルと統合することを提案する。
この近似の下では、トレーニング対象がシングルトンまたはペアワイズ文書のみを含む用語に分解可能であることを証明し、モデルが非関連文書と同じくらい効率的にトレーニングできることを示す。
論文 参考訳(メタデータ) (2021-05-27T11:29:03Z) - Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。
本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。
我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文 参考訳(メタデータ) (2020-07-07T17:19:56Z) - Unsupervised Meta-Learning through Latent-Space Interpolation in
Generative Models [11.943374020641214]
生成モデルを用いてメタタスクを生成する手法について述べる。
提案手法であるLAtent Space Interpolation Unsupervised Meta-learning (LASium)が,現在の教師なし学習ベースラインよりも優れているか,あるいは競合していることがわかった。
論文 参考訳(メタデータ) (2020-06-18T02:10:56Z) - UniT: Unified Knowledge Transfer for Any-shot Object Detection and
Segmentation [52.487469544343305]
オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。
本稿では,直感的かつ統一的な半教師付きモデルを提案する。
論文 参考訳(メタデータ) (2020-06-12T22:45:47Z)
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。