論文の概要: Dizygotic Conditional Variational AutoEncoder for Multi-Modal and
Partial Modality Absent Few-Shot Learning
- arxiv url: http://arxiv.org/abs/2106.14467v1
- Date: Mon, 28 Jun 2021 08:29:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 14:03:13.399426
- Title: Dizygotic Conditional Variational AutoEncoder for Multi-Modal and
Partial Modality Absent Few-Shot Learning
- Title（参考訳）: マルチモーダル・部分モーダル・ファウショット学習のためのディジゴティック条件変分オートエンコーダ
- Authors: Yi Zhang and Sheng Huang and Xi Peng and Dan Yang
- Abstract要約: ディジゴティック条件変分オートエンコーダ(DCVAE)と呼ばれる新しいマルチモーダルデータ拡張手法を提案する。
DCVAEは、2つの条件変分オートエンコーダ(CVAE)を同じシードでペアリングすることで特徴合成を行うが、ジジゴティック共生方式では異なるモダリティ条件を行う。
2つのCVAEの生成した特徴を適応的に組み合わせて最終特徴を与える。
- 参考スコア（独自算出の注目度）: 19.854565192491123
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Data augmentation is a powerful technique for improving the performance of
the few-shot classification task. It generates more samples as supplements, and
then this task can be transformed into a common supervised learning issue for
solution. However, most mainstream data augmentation based approaches only
consider the single modality information, which leads to the low diversity and
quality of generated features. In this paper, we present a novel multi-modal
data augmentation approach named Dizygotic Conditional Variational AutoEncoder
(DCVAE) for addressing the aforementioned issue. DCVAE conducts feature
synthesis via pairing two Conditional Variational AutoEncoders (CVAEs) with the
same seed but different modality conditions in a dizygotic symbiosis manner.
Subsequently, the generated features of two CVAEs are adaptively combined to
yield the final feature, which can be converted back into its paired conditions
while ensuring these conditions are consistent with the original conditions not
only in representation but also in function. DCVAE essentially provides a new
idea of data augmentation in various multi-modal scenarios by exploiting the
complement of different modality prior information. Extensive experimental
results demonstrate our work achieves state-of-the-art performances on
miniImageNet, CIFAR-FS and CUB datasets, and is able to work well in the
partial modality absence case.
- Abstract（参考訳）: データ拡張は、少数ショットの分類タスクのパフォーマンスを改善する強力な技術である。
サプリメントとしてより多くのサンプルを生成し、そのタスクをソリューションのための共通の教師あり学習問題に変換することができる。
しかし、主要なデータ拡張ベースアプローチのほとんどは単一のモダリティ情報のみを考慮し、それによって生成した機能の多様性と品質が低下する。
本稿では、上記の問題に対処するために、Digigotic Conditional Variational AutoEncoder (DCVAE) という新しいマルチモーダルデータ拡張手法を提案する。
DCVAEは、2つの条件変分オートエンコーダ(CVAE)を同じシードでペアリングすることで特徴合成を行うが、ジジゴティック共生方式では異なるモダリティ条件を行う。
その後、2つのCVAEの生成した特徴を適応的に組み合わせて最終特徴を導出し、これらの条件が表現だけでなく機能においても元の条件と一致していることを保証する。
DCVAEは、様々なモーダリティ事前情報の補完を利用して、様々なマルチモーダルシナリオにおけるデータ拡張の新しいアイデアを提供する。
本研究は, miniImageNet, CIFAR-FS, CUBデータセット上での最先端性能を実証し, 部分モダリティ不在症例では有効であることを示す。
関連論文リスト
- MoME: Mixture of Multimodal Experts for Cancer Survival Prediction [46.520971457396726]
生存分析は、難しい課題として、全体スライド画像(WSI)とゲノムデータを総合的な意思決定のために統合する必要がある。
従来の手法ではコアテンション(co-attention)方式が用いられており、この手法は両方のモダリティから特徴を分離した後にのみ融合する。
符号化と融合を同時に行うBiased Progressive Clever(BPE)パラダイムを提案する。
論文 参考訳（メタデータ） (2024-06-14T03:44:33Z) - Cross-modal Prompts: Adapting Large Pre-trained Models for Audio-Visual
Downstream Tasks [55.36987468073152]
本稿では,DG-SCT(Dual-Guided Space-Channel-Temporal)アテンション機構を提案する。
DG-SCTモジュールはトレーニング可能なクロスモーダル・インタラクション・レイヤを事前トレーニングされたオーディオ・ビジュアル・エンコーダに組み込む。
提案手法は, AVE, AVVP, AVS, AVQA, AVQAを含む複数のダウンストリームタスクにまたがる最先端の処理結果を実現する。
論文 参考訳（メタデータ） (2023-11-09T05:24:20Z) - Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。
MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。
モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
論文 参考訳（メタデータ） (2023-08-29T15:01:01Z) - Coupled Variational Autoencoder [6.599344783327053]
我々は、VAE問題を最適輸送(OT)の1つとして定式化する結合変分自動エンコーダ(C-VAE)を提案する。
C-VAEは、先行ホール問題の柔軟性と自然分解性を高める。
C-VAEは、VAE、WAE、InfoVAEなどの代替品よりも、データに対する忠実さ、潜伏表現の品質、および生成されたサンプルの品質に優れることを示す。
論文 参考訳（メタデータ） (2023-06-05T03:36:31Z) - Optimal Condition Training for Target Source Separation [56.86138859538063]
単一チャネルターゲットソース分離のための最適条件学習法を提案する。
多様な意味概念によってもたらされる相補的な情報は、興味の源泉を乱して分離するのに大いに役立ちます。
論文 参考訳（メタデータ） (2022-11-11T00:04:55Z) - Exploiting modality-invariant feature for robust multimodal emotion
recognition with missing modalities [76.08541852988536]
我々は、欠落したモダリティ・イマジネーション・ネットワーク(IF-MMIN)に不変な特徴を用いることを提案する。
提案モデルは,不確実なモダリティ条件下で,すべてのベースラインを上回り,全体の感情認識性能を不変に向上することを示す。
論文 参考訳（メタデータ） (2022-10-27T12:16:25Z) - Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal
Sentiment Analysis [96.46952672172021]
Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。
モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
論文 参考訳（メタデータ） (2021-07-28T23:33:42Z) - Progressive Open-Domain Response Generation with Multiple Controllable
Attributes [13.599621571488033]
本稿では,この課題に対処するために,漸進的に訓練された階層型バリデコーダを提案する。
PHEDはTransformerにConditional AutoEncoder (CVAE)をデプロイし、属性の1つの側面を1段階に含める。
PHEDは最先端のニューラルジェネレーションモデルを大きく上回り、期待通り多様な応答を生成する。
論文 参考訳（メタデータ） (2021-06-07T08:48:39Z) - Exploring Complementary Strengths of Invariant and Equivariant
Representations for Few-Shot Learning [96.75889543560497]
多くの現実世界では、多数のラベル付きサンプルの収集は不可能です。
少ないショット学習はこの問題に対処するための主要なアプローチであり、目的は限られた数のサンプルの存在下で新しいカテゴリに迅速に適応することです。
幾何学的変換の一般集合に対する等分散と不変性を同時に強制する新しい訓練機構を提案する。
論文 参考訳（メタデータ） (2021-03-01T21:14:33Z) - Self-Supervised Variational Auto-Encoders [10.482805367361818]
自己教師付き変分自動エンコーダ(self-supervised Variational Auto-Encoder)と呼ばれる新しい生成モデルについて述べる。
このモデルのクラスは、目的関数を単純化しながら、条件付きサンプリングと条件なしサンプリングの両方を実行することができる。
本稿では,3つのベンチマーク画像データ(Cifar10, Imagenette64, CelebA)に対する提案手法の性能について述べる。
論文 参考訳（メタデータ） (2020-10-05T13:42:28Z) - BasisVAE: Translation-invariant feature-level clustering with
Variational Autoencoders [9.51828574518325]
変分オートエンコーダ(VAE)は、非線形次元削減のための柔軟でスケーラブルなフレームワークを提供する。
崩壊した変分推論スキームがBasisVAEのスケーラブルかつ効率的な推論にどのように寄与するかを示す。
論文 参考訳（メタデータ） (2020-03-06T23:10:52Z)
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。