Fugu-MT 論文翻訳(概要): Reproducibility Companion Paper: Knowledge Enhanced Neural Fashion Trend Forecasting

論文の概要: Reproducibility Companion Paper: Knowledge Enhanced Neural Fashion Trend Forecasting

arxiv url: http://arxiv.org/abs/2105.11826v1
Date: Tue, 25 May 2021 10:53:11 GMT
ステータス: 処理完了
システム内更新日: 2021-05-26 13:39:39.141728
Title: Reproducibility Companion Paper: Knowledge Enhanced Neural Fashion Trend Forecasting
Title（参考訳）: Reproducibility Companion Paper: Knowledge Enhanced Neural Fashion Trends Forecasting
Authors: Yunshan Ma, Yujuan Ding, Xun Yang, Lizi Liao, Wai Keung Wong, Tat-Seng Chua, Jinyoung Moon, Hong-Han Shuai
Abstract要約: Python実装を使用した実験の複製を可能にするアーティファクトを提供する。本稿では,本論文で実施した実験を再現し,前報と同様の性能を得る。
参考スコア（独自算出の注目度）: 78.046352507802
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This companion paper supports the replication of the fashion trend forecasting experiments with the KERN (Knowledge Enhanced Recurrent Network) method that we presented in the ICMR 2020. We provide an artifact that allows the replication of the experiments using a Python implementation. The artifact is easy to deploy with simple installation, training and evaluation. We reproduce the experiments conducted in the original paper and obtain similar performance as previously reported. The replication results of the experiments support the main claims in the original paper.
Abstract（参考訳）: 本稿では,ICMR 2020で紹介したKERN(Knowledge Enhanced Recurrent Network)手法を用いて,ファッショントレンド予測実験の再現を支援する。我々は、pythonの実装を使って実験の複製を可能にするアーティファクトを提供する。アーティファクトは、簡単なインストール、トレーニング、評価で簡単にデプロイできる。本稿では,本論文で実施した実験を再現し,前報と同様の性能を得る。実験のレプリケーション結果は、元の論文の主な主張を支持している。

関連論文リスト

Performance Evaluation in Multimedia Retrieval [7.801919915773585]
マルチメディア検索の性能評価は検索実験に大きく依存する。これらには、検索プロセス自体に対するヒューマン・イン・ザ・ループとマシンのみの設定と、その後の結果の検証が含まれる。本稿では,このような検索実験のすべての側面を表現するための形式モデルと,柔軟なオープンソース評価基盤を提案する。
論文参考訳（メタデータ） (2024-10-09T08:06:15Z)
ReproHum #0087-01: Human Evaluation Reproduction Report for Generating Fact Checking Explanations [16.591822946975547]
本稿では,人間の評価に関するNLP研究の成果を再現する。その結果,本研究の成果と再現性の間に類似したパターンが見られた。
論文参考訳（メタデータ） (2024-04-26T15:31:25Z)
A Study on Reproducibility and Replicability of Table Structure Recognition Methods [3.8366337377024298]
テーブル構造認識(TSR)における16論文のコーパスと複製性について検討する。研究対象は16論文中4論文のみである。新しいデータセットを使って複製可能な紙は見当たらない。
論文参考訳（メタデータ） (2023-04-20T16:30:58Z)
PartMix: Regularization Strategy to Learn Part Discovery for Visible-Infrared Person Re-identification [76.40417061480564]
本稿では、パートベース可視赤外線人物再識別(VI-ReID)モデルに対して、PartMixと呼ばれる新しいデータ拡張手法を提案する。部分記述子をモダリティに混合することにより、拡張サンプルを合成し、パートベースVI-ReIDモデルの性能を向上させる。
論文参考訳（メタデータ） (2023-04-04T05:21:23Z)
A Scalable and Efficient Iterative Method for Copying Machine Learning Classifiers [0.802904964931021]
本稿では,機械学習モデルのコピーのトレーニングや維持に必要な計算資源を大幅に削減する,新しいシーケンシャルなアプローチを提案する。シーケンシャルアプローチの有効性は、合成データセットと実世界のデータセットによる実験を通じて実証され、正確性を維持したり改善したりしながら、時間とリソースの大幅な削減を示す。
論文参考訳（メタデータ） (2023-02-06T10:07:41Z)
Incorporating Relevance Feedback for Information-Seeking Retrieval using Few-Shot Document Re-Ranking [56.80065604034095]
我々は,クエリとユーザが関連すると考えるドキュメントとの類似性に基づいて,文書を再参照するkNNアプローチを提案する。異なる統合戦略を評価するため、既存の4つの情報検索データセットを関連フィードバックシナリオに変換する。
論文参考訳（メタデータ） (2022-10-19T16:19:37Z)
Benchopt: Reproducible, efficient and collaborative optimization benchmarks [67.29240500171532]
Benchoptは、機械学習で最適化ベンチマークを自動化、再生、公開するためのフレームワークである。 Benchoptは実験を実行、共有、拡張するための既製のツールを提供することで、コミュニティのベンチマークを簡単にする。
論文参考訳（メタデータ） (2022-06-27T16:19:24Z)
On the Copying Behaviors of Pre-Training for Neural Machine Translation [63.914940899327966]
これまでの研究で、ニューラルネットワーク翻訳(NMT)モデルを事前訓練言語モデル(LM)で初期化することは、モデルのトレーニングを高速化し、モデル性能を向上させることが示されている。本研究では,NMTのトレーニング目標とNMTの訓練目標との相違から,NMTの事前訓練における重要な副作用を同定する。本稿では,復号における複写動作を制御するために,複写ペナルティ(copying penalty)というシンプルで効果的な手法を提案する。
論文参考訳（メタデータ） (2021-07-17T10:02:30Z)
A Replication Study of Dense Passage Retriever [32.192420072129636]
Karpukhinらによって提案された高密度通過レトリバー(DPR)技術について研究する。 (2020) エンドツーエンドのオープンドメイン質問応答。本稿では,著者らによるモデルチェックポイントから本研究の再現性について検討する。私たちは、オリジナルの作業とまったく同じモデルを使って、エンドツーエンドの質問応答の有効性を改善することができます。
論文参考訳（メタデータ） (2021-04-12T18:10:39Z)
Self-supervised Deep Reconstruction of Mixed Strip-shredded Text Documents [63.41717168981103]
本研究は,従来の1ページ再構成の深層学習手法を,より現実的で複雑なシナリオに拡張する。本手法では, 整合性評価を2クラス(無効または無効)パターン認識問題としてモデル化する。提案手法は複雑なシナリオにおいて競合する手法よりも優れ、90%以上の精度で精度が向上する。
論文参考訳（メタデータ） (2020-07-01T21:48:05Z)

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。