論文の概要: One Representation to Rule Them All: Identifying Out-of-Support Examples
in Few-shot Learning with Generic Representations
- arxiv url: http://arxiv.org/abs/2106.01423v1
- Date: Wed, 2 Jun 2021 19:07:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-04 12:26:45.168197
- Title: One Representation to Rule Them All: Identifying Out-of-Support Examples
in Few-shot Learning with Generic Representations
- Title（参考訳）: すべてを統括する1つの表現:ジェネリック表現を用いた数少ない学習におけるサポート外例の同定
- Authors: Henry Kvinge, Scott Howland, Nico Courts, Lauren A. Phillips, John
Buckheit, Zachary New, Elliott Skomski, Jung H. Lee, Sandeep Tiwari, Jessica
Hibler, Courtney D. Corley, Nathan O. Hodas
- Abstract要約: 本稿では,プロトタイプネットワークフレームワーク内での'out-of- supported'(OOS)例を識別する新しい手法について述べる。
本稿では,本手法が文献における既存手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.8076739603800089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The field of few-shot learning has made remarkable strides in developing
powerful models that can operate in the small data regime. Nearly all of these
methods assume every unlabeled instance encountered will belong to a handful of
known classes for which one has examples. This can be problematic for
real-world use cases where one routinely finds 'none-of-the-above' examples. In
this paper we describe this challenge of identifying what we term
'out-of-support' (OOS) examples. We describe how this problem is subtly
different from out-of-distribution detection and describe a new method of
identifying OOS examples within the Prototypical Networks framework using a
fixed point which we call the generic representation. We show that our method
outperforms other existing approaches in the literature as well as other
approaches that we propose in this paper. Finally, we investigate how the use
of such a generic point affects the geometry of a model's feature space.
- Abstract（参考訳）: 数発の学習の分野では、小さなデータ体制で運用できる強力なモデルの開発に顕著な進歩を遂げている。
これらのメソッドのほぼ全てが、遭遇したすべてのラベルのないインスタンスは、サンプルを持ついくつかの既知のクラスに属していると仮定する。
の例を日常的に見つけている実世界のユースケースでは、これは問題となる可能性がある。
本稿では,OOS(out-of- supported)の例について述べる。
本稿では,この問題が分布外検出と微妙に異なるかを説明し,汎用表現と呼ぶ固定点を用いたプロトタイプネットワークフレームワーク内でのOOS例の同定方法について述べる。
本稿では,本稿で提案する他の手法と同様に,文献における既存手法よりも優れていることを示す。
最後に,このような汎用点の使用がモデルの特徴空間の幾何学にどのように影響するかを検討する。
関連論文リスト
- Impossibility Theorems for Feature Attribution [21.88229793890961]
そこで本研究では,適度にリッチなモデルクラスでは,任意の特徴属性法がモデル振る舞いを推測するランダムな推測において,確実に改善できないことを示す。
本研究は, 局所モデル行動の特徴付け, 突発的特徴の同定, アルゴリズム的リコースなど, 一般的なエンドタスクに適用する。
論文 参考訳（メタデータ） (2022-12-22T17:03:57Z) - 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) - Not All Instances Contribute Equally: Instance-adaptive Class
Representation Learning for Few-Shot Visual Recognition [94.04041301504567]
少数ショットの視覚認識は、いくつかのラベル付きインスタンスから新しい視覚概念を認識することを指す。
本稿では,数ショットの視覚認識を実現するために,インスタンス適応型クラス表現学習ネットワーク(ICRL-Net)と呼ばれる新しいメトリックベースのメタラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-07T10:00:18Z) - An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。
既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。
本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-07T06:50:27Z) - Learning to Detect Instance-level Salient Objects Using Complementary
Image Labels [55.049347205603304]
本報告では,本問題に対する第1の弱教師付きアプローチを提案する。
本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
論文 参考訳（メタデータ） (2021-11-19T10:15:22Z) - Explaining Classes through Word Attribution [1.3898207083070262]
本稿では,ディープラーニングモデルと統合グラディエンツ特徴帰属手法を用いた授業記述手法を提案する。
我々は、XML-Rモデルとコーパス・オブ・オンライン・レジスタ・オブ・イングリッシュ(CORE)を用いたWebレジスタ(ジェネラル)分類のアプローチを実証する。
論文 参考訳（メタデータ） (2021-08-31T07:22:29Z) - Instance Similarity Learning for Unsupervised Feature Representation [83.31011038813459]
教師なし特徴表現のための例類似性学習(ISL)手法を提案する。
我々はGAN(Generative Adversarial Networks)を用いて、基礎となる特徴多様体をマイニングする。
画像分類実験は, 最先端手法と比較して, 提案手法の優位性を示した。
論文 参考訳（メタデータ） (2021-08-05T16:42:06Z) - Unsupervised Detection of Adversarial Examples with Model Explanations [0.6091702876917279]
本稿では,モデル動作を説明するために開発された手法を用いて,逆例を検出するための簡易かつ効果的な手法を提案する。
MNIST手書きデータセットを用いて評価したところ,本手法は高い信頼度で敵のサンプルを検出することができることがわかった。
論文 参考訳（メタデータ） (2021-07-22T06:54:18Z) - Contextualizing Enhances Gradient Based Meta Learning [7.009032627535598]
本稿では,メタラーニング手法を文脈解析器と組み合わせることで,いくつかのショットラーニングデータセットの性能を著しく向上させることができることを示す。
オーバーフィットすることなくパラメータを更新することが困難である低データ環境に対して,我々のアプローチは特に適しています。
論文 参考訳（メタデータ） (2020-07-17T04:01:56Z) - 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。