Fugu-MT 論文翻訳(概要): DOC3-Deep One Class Classification using Contradictions

論文の概要: DOC3-Deep One Class Classification using Contradictions

arxiv url: http://arxiv.org/abs/2105.07636v1
Date: Mon, 17 May 2021 06:48:25 GMT
ステータス: 処理完了
システム内更新日: 2021-05-18 15:12:06.115853
Title: DOC3-Deep One Class Classification using Contradictions
Title（参考訳）: コントラクテーションを用いたDOC3-Deep 1クラス分類
Authors: Sauptik Dhar, Bernardo Gonzalez Torres
Abstract要約: コントラディクション(DOC3)アルゴリズムを用いたDeep One Class Classificationを提案する。矛盾からの学習が一般化誤差を低くすることを示す。
参考スコア（独自算出の注目度）: 3.553493344868414
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper introduces the notion of learning from contradictions (a.k.a Universum learning) for deep one class classification problems. We formalize this notion for the widely adopted one class large-margin loss, and propose the Deep One Class Classification using Contradictions (DOC3) algorithm. We show that learning from contradictions incurs lower generalization error by comparing the Empirical Radamacher Complexity (ERC) of DOC3 against its traditional inductive learning counterpart. Our empirical results demonstrate the efficacy of DOC3 algorithm achieving > 30% for CIFAR-10 and >50% for MV-Tec AD data sets in test AUCs compared to its inductive learning counterpart and in many cases improving the state-of-the-art in anomaly detection.
Abstract（参考訳）: 本稿では,深部1クラス分類問題に対する矛盾から学習する概念(ユニバース学習)について述べる。我々は,この概念を広く採用されている一類大マージン損失に対して定式化し,矛盾(doc3)アルゴリズムを用いた深部一類分類を提案する。矛盾からの学習は, doc3の経験的ラダマッハ複雑性(erc)を従来の帰納的学習と比較することにより, より低い一般化誤差をもたらす。実験結果は,cifar-10で30%以上,テストaucsでmv-tec adデータセットで50%以上を達成できるdoc3アルゴリズムの有効性を示す。

関連論文リスト

Addressing Imbalance for Class Incremental Learning in Medical Image Classification [14.242875524728495]
不均衡の悪影響を軽減するために2つのプラグイン法を導入する。まず、多数派に対する分類バイアスを軽減するために、CILバランスの取れた分類損失を提案する。第2に,組込み空間におけるクラス間重複を緩和するだけでなく,クラス内コンパクト性も緩和する分布マージン損失を提案する。
論文参考訳（メタデータ） (2024-07-18T17:59:44Z)
Critical Review for One-class Classification: recent advances and the reality behind them [10.043491707625867]
本稿は,一級分類におけるプロミネント戦略を,その発端から現在の進歩まで合成する。この記事は、一級実験を統括する画像異常検出アルゴリズム(AD)について、最先端(SOTA)を批判する。
論文参考訳（メタデータ） (2024-04-27T15:04:30Z)
Towards Understanding Generalization of Macro-AUC in Multi-label Learning [48.015768048227166]
マクロAUCに基づく各種学習アルゴリズムの一般化特性を特徴付ける。一般化境界に影響を及ぼすデータセットの臨界因子を同定する。我々は、独立性を持つかもしれない新しい(そしてより一般的な)マクダイアルミド型濃度不等式を提案する。
論文参考訳（メタデータ） (2023-05-09T08:13:48Z)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-07-24T18:49:26Z)
Generalized Anomaly Detection [7.660300523834661]
本研究は,通常クラスが複数の対象カテゴリからなる場合の異常検出について検討する。この問題を解決するために複数の一級異常検知器を共同で使用すると、全ての通常の対象物に対して単一の一級異常検出器を訓練するよりも、結果が劣ることがわかった。
論文参考訳（メタデータ） (2021-10-28T13:42:26Z)
Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
論文参考訳（メタデータ） (2021-07-28T05:18:10Z)
Categorical Relation-Preserving Contrastive Knowledge Distillation for Medical Image Classification [75.27973258196934]
そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。 CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
論文参考訳（メタデータ） (2021-07-07T13:56:38Z)
Does Your Dermatology Classifier Know What It Doesn't Know? Detecting the Long-Tail of Unseen Conditions [18.351120611713586]
皮膚の状態を正確に分類できる深層学習システムを開発し,厳密に評価した。このタスクは、アウトオブディストリビューション(OOD)検出問題としてフレーム化します。我々の新しいアプローチである階層外乱検出(HOD)は、各トレーニングクラスに対して複数の禁制クラスを割り当て、インレーヤ対外乱の粗い分類を共同で行う。
論文参考訳（メタデータ） (2021-04-08T15:15:22Z)
Deep N-ary Error Correcting Output Codes [66.15481033522343]
Ecoror Correcting Output Codes (ECOC) のようなデータ非依存のアンサンブル手法が注目を集めている。 N-ary ECOCは、元の多クラス分類問題を、独立した単純な分類サブプロブレムのシリーズに分解する。深部N-ary ECOCのためのパラメータ共有アーキテクチャの3つのバリエーションを提案する。
論文参考訳（メタデータ） (2020-09-22T11:35:03Z)

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。