論文の概要: Learning Personal Style from Few Examples

• arxiv url: http://arxiv.org/abs/2105.14457v1
• Date: Sun, 30 May 2021 08:04:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 16:59:26.713459
• Title: Learning Personal Style from Few Examples
• Title（参考訳）: 少数の例から個人的スタイルを学ぶ
• Authors: David Chuan-En Lin, Nikolas Martelaro
• Abstract要約: 設計作業における重要なタスクは、クライアントの暗黙の味をつかむことです。 我々は,このタスクを支援するために,計算モデルのパターン認識機能を利用する。 本稿ではPseudoClientについて紹介する。PseudoClientはパーソナルグラフィックデザインスタイルの計算モデルを学ぶフレームワークである。
• 参考スコア（独自算出の注目度）: 11.751910133386252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A key task in design work is grasping the client's implicit tastes. Designers often do this based on a set of examples from the client. However, recognizing a common pattern among many intertwining variables such as color, texture, and layout and synthesizing them into a composite preference can be challenging. In this paper, we leverage the pattern recognition capability of computational models to aid in this task. We offer a set of principles for computationally learning personal style. The principles are manifested in PseudoClient, a deep learning framework that learns a computational model for personal graphic design style from only a handful of examples. In several experiments, we found that PseudoClient achieves a 79.40% accuracy with only five positive and negative examples, outperforming several alternative methods. Finally, we discuss how PseudoClient can be utilized as a building block to support the development of future design applications.
• Abstract（参考訳）: 設計作業における重要なタスクは、クライアントの暗黙の味をつかむことです。 設計者は、しばしばクライアントからの一連の例に基づいてこれをします。 しかし、色、テクスチャ、レイアウトなどの多くの交互変数の共通パターンを認識し、それらを複合的な嗜好に合成することは困難である。 本稿では,この課題を支援するために,計算モデルのパターン認識能力を活用する。 我々は、パーソナルスタイルを計算的に学習するための一連の原則を提供する。 この原則は pseudoclient という深層学習フレームワークで示されており、ほんの一握りの例からパーソナルグラフィックデザインスタイルのための計算モデルを学ぶ。 いくつかの実験で、PseudoClientは正と負の5つの例で79.40%の精度を達成し、いくつかの代替手法を上回りました。 最後に、pseudoclientをビルディングブロックとして活用し、将来の設計アプリケーションの開発を支援する方法について論じる。

関連論文リスト

• Active-Passive Federated Learning for Vertically Partitioned Multi-view Data [48.985955382701185]
  フレキシブルなアクティブ・パッシブ・フェデレーション・ラーニング(APFed)フレームワークを提案する。 アクティブクライアントは学習タスクの開始者であり、完全なモデルを構築する責任を持ち、受動的クライアントはアシスタントとしてのみ機能する。 さらに、APFedフレームワークを2つの分類方法に分類し、それぞれに再構成損失とパッシブクライアントに対するコントラスト損失を利用する。
  論文  参考訳（メタデータ） (2024-09-06T08:28:35Z)
• The Diversity Bonus: Learning from Dissimilar Distributed Clients in Personalized Federated Learning [20.3260485904085]
  そこで我々は,各クライアントが多種多様なデータ分布を持つクライアントから学習できるDiversiFedを提案する。 DiversiFedは異種クライアントの恩恵を受けることができ、したがって最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-22T08:24:45Z)
• DegustaBot: Zero-Shot Visual Preference Estimation for Personalized Multi-Object Rearrangement [53.86523017756224]
  本稿では,視覚的嗜好学習のためのアルゴリズムであるDegustaBotを提案する。 我々は、シミュレーション表設定タスクにおいて、自然主義的個人的嗜好の大規模なデータセットを収集する。 私たちのモデルの予測の50%は、少なくとも20%の人々に受け入れられる可能性が高いことが分かりました。
  論文  参考訳（メタデータ） (2024-07-11T21:28:02Z)
• Personalized Federated Learning via Sequential Layer Expansion in Representation Learning [0.0]
  フェデレーション学習は、個々のクライアントデバイス上で分散トレーニングを行い、中央サーバでモデルウェイトのみを共有することによって、クライアントのプライバシを保証する。 本稿では,ディープラーニングモデル全体をより密に分割した部分に分割し,適切なスケジューリング手法を適用した表現学習に基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-27T06:37:19Z)
• Intent Detection at Scale: Tuning a Generic Model using Relevant Intents [0.5461938536945723]
  本研究は,単一のジェネリックモデルとクライアント毎のインテントリストを組み合わせることで,インテント予測を多種多様なクライアントに効果的に拡張するシステムを提案する。 当社のアプローチは、クライアントに対してパーソナライズされたエクスペリエンスを提供しながら、トレーニングとメンテナンスのコストを最小限に抑え、関連する意図の変化にシームレスに対応できるようにします。 最終的なシステムは、業界固有のモデルと比較して非常に優れたパフォーマンスを示し、柔軟性と多様なクライアントニーズに対応する能力を示している。
  論文  参考訳（メタデータ） (2023-09-15T13:15:20Z)
• Client-specific Property Inference against Secure Aggregation in Federated Learning [52.8564467292226]
  フェデレートラーニングは、さまざまな参加者の間で共通のモデルを協調的に訓練するための、広く使われているパラダイムとなっている。 多くの攻撃は、メンバーシップ、資産、または参加者データの完全な再構築のような機密情報を推測することは依然として可能であることを示した。 単純な線形モデルでは、集約されたモデル更新からクライアント固有のプロパティを効果的にキャプチャできることが示される。
  論文  参考訳（メタデータ） (2023-03-07T14:11:01Z)
• FilFL: Client Filtering for Optimized Client Participation in Federated Learning [71.46173076298957]
  フェデレートラーニングは、クライアントがローカルデータを交換することなく、協調的にモデルをトレーニングすることを可能にする。 トレーニングプロセスに参加するクライアントは、収束率、学習効率、モデル一般化に大きな影響を与えます。 本稿では,モデル一般化を改善し,クライアント参加とトレーニングを最適化する新しい手法であるクライアントフィルタリングを提案する。
  論文  参考訳（メタデータ） (2023-02-13T18:55:31Z)
• PaDPaF: Partial Disentanglement with Partially-Federated GANs [5.195669033269619]
  フェデレーテッド・ラーニングは、多くの潜在的な現実のアプリケーションで人気のある機械学習パラダイムとなっている。 本研究では,グローバルクライアント非依存とローカルクライアント固有の生成モデルを組み合わせた新しいアーキテクチャを提案する。 提案モデルでは,グローバルな一貫した表現を暗黙的に切り離すことで,プライバシーとパーソナライゼーションを実現する。
  論文  参考訳（メタデータ） (2022-12-07T18:28:54Z)
• Federated Learning from Pre-Trained Models: A Contrastive Learning Approach [43.893267526525904]
  Federated Learning(FL)は、分散型クライアントがプライベートデータを共有せずに協調的に学習できる機械学習パラダイムである。 過剰な計算と通信要求は、現在のFLフレームワークに課題をもたらす。 本稿では、クライアントが複数の固定された事前学習モデルによって生成された表現を融合させることを共同で学習する軽量フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-21T03:16:57Z)
• Straggler-Resilient Personalized Federated Learning [55.54344312542944]
  フェデレーション学習は、プライバシと通信の制限を尊重しながら、クライアントの大規模なネットワークに分散されたサンプルからのトレーニングモデルを可能にする。 これら2つのハードルを同時に処理する理論的なスピードアップを保証する新しいアルゴリズム手法を開発した。 提案手法は,すべてのクライアントのデータを用いてグローバルな共通表現を見つけ,各クライアントに対してパーソナライズされたソリューションにつながるパラメータの集合を学習するために,表現学習理論からのアイデアに依存している。
  論文  参考訳（メタデータ） (2022-06-05T01:14:46Z)
• Few-shot Sequence Learning with Transformers [79.87875859408955]
  少数のトレーニング例で提供される新しいタスクの学習を目的とした少数のショットアルゴリズム。 本研究では,データポイントがトークンのシーケンスである設定において,少数ショット学習を行う。 トランスフォーマーに基づく効率的な学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-17T12:30:38Z)

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。