Fugu-MT 論文翻訳(概要): One-shot Learning with Absolute Generalization

論文の概要: One-shot Learning with Absolute Generalization

arxiv url: http://arxiv.org/abs/2105.13559v1
Date: Fri, 28 May 2021 02:52:52 GMT
ステータス: 処理完了
システム内更新日: 2021-05-31 21:01:03.057244
Title: One-shot Learning with Absolute Generalization
Title（参考訳）: 絶対一般化によるワンショット学習
Authors: Hao Su
Abstract要約: 我々は、どのようなデータセットがワンショット学習をサポートするかを説明するために、一連の定義を提案する。これらの定義に基づき、絶対一般化可能な分類器を構築する方法を提案した。実験により,提案手法は単発学習データセットと人工データセットのベースラインよりも優れていることが示された。
参考スコア（独自算出の注目度）: 23.77607345586489
License: http://creativecommons.org/licenses/by/4.0/
Abstract: One-shot learning is proposed to make a pretrained classifier workable on a new dataset based on one labeled samples from each pattern. However, few of researchers consider whether the dataset itself supports one-shot learning. In this paper, we propose a set of definitions to explain what kind of datasets can support one-shot learning and propose the concept "absolute generalization". Based on these definitions, we proposed a method to build an absolutely generalizable classifier. The proposed method concatenates two samples as a new single sample, and converts a classification problem to an identity identification problem or a similarity metric problem. Experiments demonstrate that the proposed method is superior to baseline on one-shot learning datasets and artificial datasets.
Abstract（参考訳）: 各パターンのラベル付きサンプルに基づいて,新しいデータセット上で事前訓練された分類器を動作可能にするためのワンショット学習を提案する。しかし、データセット自体がワンショット学習をサポートするかどうかを考える研究者はほとんどいない。本稿では,一括学習を支援するデータセットの種類を説明するための定義セットを提案し,その概念を「絶対一般化」と呼ぶ。これらの定義に基づき、絶対一般化可能な分類器を構築する方法を提案した。提案手法では, 2つのサンプルを新しいサンプルとして結合し, 分類問題を同一性識別問題あるいは類似性計量問題に変換する。実験により,提案手法が,ワンショット学習データセットと人工データセットのベースラインよりも優れていることを示す。

関連論文リスト

A Fixed-Point Approach to Unified Prompt-Based Counting [51.20608895374113]
本研究の目的は,ボックス,ポイント,テキストなど,さまざまなプロンプト型で示されるオブジェクトの密度マップを生成することができる包括的プロンプトベースのカウントフレームワークを確立することである。本モデルは,クラスに依存しない顕著なデータセットに優れ,データセット間の適応タスクにおいて優れた性能を示す。
論文参考訳（メタデータ） (2024-03-15T12:05:44Z)
Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2023-10-30T00:32:47Z)
Generating collective counterfactual explanations in score-based classification via mathematical optimization [4.281723404774889]
インスタンスの反実的な説明は、このインスタンスを最小限に修正して、摂動インスタンスを望ましいクラスに分類する方法を示している。カウンターファクト・アナリティクスの文献の多くは、単一インスタンスの単一カウントファクト・セッティングに焦点を当てている。新規な数学的最適化モデルにより、興味ある群における各インスタンスに対する対実的説明を提供する。
論文参考訳（メタデータ） (2023-10-19T15:18:42Z)
Efficient Failure Pattern Identification of Predictive Algorithms [15.02620042972929]
本稿では,人間のアノテータチームとシーケンシャルレコメンデーションアルゴリズムからなる人間機械協調フレームワークを提案する。その結果、様々な信号対雑音比で複数のデータセット上でのフレームワークの競合性能を実証的に実証した。
論文参考訳（メタデータ） (2023-06-01T14:54:42Z)
Resolving label uncertainty with implicit posterior models [71.62113762278963]
本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
論文参考訳（メタデータ） (2022-02-28T18:09:44Z)
Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
論文参考訳（メタデータ） (2022-02-07T13:08:11Z)
A Single Example Can Improve Zero-Shot Data Generation [7.237231992155901]
意図分類のサブタスクは、実験と評価のために広範囲で柔軟なデータセットを必要とする。本稿では,データセットの収集にテキスト生成手法を提案する。タスク指向発話を生成するための2つのアプローチについて検討する。
論文参考訳（メタデータ） (2021-08-16T09:43:26Z)
From Canonical Correlation Analysis to Self-supervised Graph Neural Networks [99.44881722969046]
本稿では,グラフデータを用いた自己教師付き表現学習のための概念的単純かつ効果的なモデルを提案する。古典的カノニカル相関解析にインスパイアされた,革新的な特徴レベルの目的を最適化する。提案手法は、7つの公開グラフデータセット上で競合的に動作する。
論文参考訳（メタデータ） (2021-06-23T15:55:47Z)
Learning a Universal Template for Few-shot Dataset Generalization [25.132729497191047]
少数のデータセットの一般化はよく研究された少数のショット分類問題の挑戦的な変形です。データセットに特化したモデルを幅広く定義できるユニバーサルテンプレートを構築するために,多様なトレーニングセットを活用することを提案する。提案手法は,従来の手法に比べてパラメータ効率が高く,スケーラブルで適応性が高く,難易度の高いメタデータセットベンチマークで最先端を実現する。
論文参考訳（メタデータ） (2021-05-14T18:46:06Z)
Contrastive Prototype Learning with Augmented Embeddings for Few-Shot Learning [58.2091760793799]
拡張埋め込み(CPLAE)モデルを用いた新しいコントラスト型プロトタイプ学習を提案する。クラスプロトタイプをアンカーとして、CPLは、同じクラスのクエリサンプルを、異なるクラスのサンプルを、さらに遠くに引き出すことを目的としている。いくつかのベンチマークによる大規模な実験により,提案したCPLAEが新たな最先端を実現することが示された。
論文参考訳（メタデータ） (2021-01-23T13:22:44Z)
Adaptive Prototypical Networks with Label Words and Joint Representation Learning for Few-Shot Relation Classification [17.237331828747006]
本研究は,少ショット関係分類(FSRC)に焦点を当てる。クラスプロトタイプの表現にラベル単語を追加するための適応的混合機構を提案する。 FewRelでは、異なる数ショット(FS)設定で実験が行われた。
論文参考訳（メタデータ） (2021-01-10T11:25:42Z)

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。