論文の概要: A hybrid model-based and learning-based approach for classification
using limited number of training samples
- arxiv url: http://arxiv.org/abs/2106.13436v1
- Date: Fri, 25 Jun 2021 05:19:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-28 22:19:07.817099
- Title: A hybrid model-based and learning-based approach for classification
using limited number of training samples
- Title（参考訳）: 限られた数の学習サンプルを用いたハイブリッドモデルと学習モデルによる分類手法
- Authors: Alireza Nooraiepour, Waheed U. Bajwa, Narayan B. Mandayam
- Abstract要約: 本稿では,物理に基づく統計モデルと学習に基づく分類器の両方を利用するハイブリッド分類手法であるHyPhyLearnを提案する。
提案手法は、HyPhyLearnが学習ベースおよび統計モデルに基づく分類器の個人的アプローチに関連する課題を軽減するという予想に基づいている。
- 参考スコア（独自算出の注目度）: 13.60714541247498
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The fundamental task of classification given a limited number of training
data samples is considered for physical systems with known parametric
statistical models. The standalone learning-based and statistical model-based
classifiers face major challenges towards the fulfillment of the classification
task using a small training set. Specifically, classifiers that solely rely on
the physics-based statistical models usually suffer from their inability to
properly tune the underlying unobservable parameters, which leads to a
mismatched representation of the system's behaviors. Learning-based
classifiers, on the other hand, typically rely on a large number of training
data from the underlying physical process, which might not be feasible in most
practical scenarios. In this paper, a hybrid classification method -- termed
HyPhyLearn -- is proposed that exploits both the physics-based statistical
models and the learning-based classifiers. The proposed solution is based on
the conjecture that HyPhyLearn would alleviate the challenges associated with
the individual approaches of learning-based and statistical model-based
classifiers by fusing their respective strengths. The proposed hybrid approach
first estimates the unobservable model parameters using the available
(suboptimal) statistical estimation procedures, and subsequently use the
physics-based statistical models to generate synthetic data. Then, the training
data samples are incorporated with the synthetic data in a learning-based
classifier that is based on domain-adversarial training of neural networks.
Specifically, in order to address the mismatch problem, the classifier learns a
mapping from the training data and the synthetic data to a common feature
space. Simultaneously, the classifier is trained to find discriminative
features within this space in order to fulfill the classification task.
- Abstract（参考訳）: 限られた数のトレーニングデータサンプルが与えられた分類の基本的なタスクは、既知のパラメトリック統計モデルを持つ物理システムである。
独立した学習ベースおよび統計モデルベース分類器は、小さなトレーニングセットを用いた分類タスクの実現に向けて大きな課題に直面している。
具体的には、物理に基づく統計モデルにのみ依存する分類器は、基礎となる観測不可能なパラメータを適切に調整できないため、システムの振舞いが不一致となる。
一方、学習ベースの分類器は通常、基礎となる物理的プロセスからの大量のトレーニングデータに依存しており、ほとんどの現実的なシナリオでは実現できないかもしれない。
本稿では,物理ベースの統計モデルと学習に基づく分類器の両方を利用するハイブリッド分類法であるhyphylearnを提案する。
提案手法は,HyPhyLearnが学習ベースおよび統計モデルに基づく分類器の個人的アプローチに関わる課題を,それぞれの強みを融合することによって緩和する,という予想に基づいている。
提案手法は,まず利用可能な(最適でない)統計的推定手法を用いて観測不可能なモデルパラメータを推定し,次いで物理に基づく統計モデルを用いて合成データを生成する。
次に、ニューラルネットワークのドメイン対逆トレーニングに基づく学習ベース分類器に、トレーニングデータサンプルを合成データに組み込む。
具体的には、ミスマッチ問題に対処するために、分類器は、トレーニングデータと合成データとから共通の特徴空間へのマッピングを学習する。
同時に、分類器は、分類タスクを満たすために、この空間内で識別的特徴を見つけるように訓練される。
関連論文リスト
- A Closer Look at Benchmarking Self-Supervised Pre-training with Image Classification [51.35500308126506]
自己教師付き学習(SSL)は、データ自体が監視を提供する機械学習アプローチであり、外部ラベルの必要性を排除している。
SSLの分類に基づく評価プロトコルがどのように相関し、異なるデータセットのダウンストリーム性能を予測するかを検討する。
論文 参考訳（メタデータ） (2024-07-16T23:17:36Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z) - Self-Evolution Learning for Mixup: Enhance Data Augmentation on Few-Shot
Text Classification Tasks [75.42002070547267]
テキスト分類におけるデータ拡張のための自己進化学習(SE)に基づくミックスアップ手法を提案する。
モデル出力と原サンプルの1つのホットラベルを線形に補間して,新しい軟質なラベル混在を生成する,新しいインスタンス固有ラベル平滑化手法を提案する。
論文 参考訳（メタデータ） (2023-05-22T23:43:23Z) - Class Impression for Data-free Incremental Learning [20.23329169244367]
ディープラーニングベースの分類アプローチでは、事前にすべてのクラスからすべてのサンプルを収集し、オフラインでトレーニングする必要がある。
このパラダイムは、新しいデータの追加によって新しいクラスが徐々に導入される現実世界の臨床応用では実用的ではないかもしれない。
本稿では,従来のクラスでトレーニングされたモデルからデータを初めて合成し,本クラスを生成する,新しいデータ自由クラスインクリメンタル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） (2022-06-26T06:20:17Z) - Lightweight Conditional Model Extrapolation for Streaming Data under
Class-Prior Shift [27.806085423595334]
非定常ストリーミングデータを用いて学習する新しい方法であるLIMESを紹介する。
我々は、特定のデータ分布に対する特定の分類器を導出するモデルパラメータの集合を1つ学習する。
Twitterデータを用いた一連の模範的なタスクの実験では、LIMESが代替手法よりも高い精度を達成することが示された。
論文 参考訳（メタデータ） (2022-06-10T15:19:52Z) - CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep
Learning [55.733193075728096]
現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。
サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。
本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
論文 参考訳（メタデータ） (2022-02-11T13:49:51Z) - Learning Debiased and Disentangled Representations for Semantic
Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。
各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。
提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文 参考訳（メタデータ） (2021-10-31T16:15:09Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z) - Semi-Supervised Few-Shot Classification with Deep Invertible Hybrid
Models [4.189643331553922]
半教師付き小ショット分類のための潜在空間レベルで識別学習と生成学習を統合するディープ・インバーチブルハイブリッドモデルを提案する。
我々の主な独創性は、これらのコンポーネントを潜在空間レベルで統合することであり、過度な適合を防ぐのに有効である。
論文 参考訳（メタデータ） (2021-05-22T05:55:16Z) - Learning from Incomplete Features by Simultaneous Training of Neural
Networks and Sparse Coding [24.3769047873156]
本稿では,不完全な特徴を持つデータセット上で分類器を訓練する問題に対処する。
私たちは、各データインスタンスで異なる機能のサブセット(ランダムまたは構造化)が利用できると仮定します。
新しい教師付き学習法が開発され、サンプルあたりの機能のサブセットのみを使用して、一般的な分類器を訓練する。
論文 参考訳（メタデータ） (2020-11-28T02:20:39Z) - BayesFlow: Learning complex stochastic models with invertible neural
networks [3.1498833540989413]
可逆ニューラルネットワークに基づく世界規模のベイズ推定手法を提案する。
BayesFlowは、観測されたデータを最大情報的な要約統計に埋め込むよう訓練された要約ネットワークを組み込んでいる。
本研究では, 人口動態, 疫学, 認知科学, 生態学の難易度モデルに対するベイズフローの有用性を実証する。
論文 参考訳（メタデータ） (2020-03-13T13:39:31Z)
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。