Fugu-MT 論文翻訳(概要): Soft Confusion Matrix Classifier for Stream Classification

論文の概要: Soft Confusion Matrix Classifier for Stream Classification

arxiv url: http://arxiv.org/abs/2109.07857v1
Date: Thu, 16 Sep 2021 10:38:35 GMT
ステータス: 処理完了
システム内更新日: 2021-09-17 22:20:22.358481
Title: Soft Confusion Matrix Classifier for Stream Classification
Title（参考訳）: ストリーム分類のためのソフト混乱行列分類器
Authors: Pawel Trajdos, Marek Kurzynski
Abstract要約: この作業の主な目的は、漸進的に学習できない分類器に段階的な学習を可能にするラッピング分類器を開発することである。提案手法は参照手法を著しく上回っている。
参考スコア（独自算出の注目度）: 1.827510863075184
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, the issue of tailoring the soft confusion matrix (SCM) based classifier to deal with stream learning task is addressed. The main goal of the work is to develop a wrapping-classifier that allows incremental learning to classifiers that are unable to learn incrementally. The goal is achieved by making two improvements in the previously developed SCM classifier. The first one is aimed at reducing the computational cost of the SCM classifier. To do so, the definition of the fuzzy neighborhood of an object is changed. The second one is aimed at effective dealing with the concept drift. This is done by employing the ADWIN-driven concept drift detector that is not only used to detect the drift but also to control the size of the neighbourhood. The obtained experimental results show that the proposed approach significantly outperforms the reference methods.
Abstract（参考訳）: 本稿では,ストリーム学習タスクに対応するために,ソフト混乱行列(scm)ベースの分類器をカスタマイズする問題に対処する。この作業の主な目標は、漸進的に学習できない分類器に段階的な学習を可能にするラッピング分類器を開発することである。目標は、以前に開発されたSCM分類器で2つの改善を施すことである。 1つ目は、SCM分類器の計算コストの削減である。そのため、オブジェクトのファジィ近傍の定義を変更する。 2つ目は、コンセプトドリフトを効果的に扱うことを目的としている。これはADWINによって駆動されるドリフト検出器を用いており、ドリフトを検出するだけでなく、近隣のサイズを制御するためにも用いられる。得られた実験結果から,提案手法は基準法よりも有意に優れていた。

関連論文リスト

Enhancing Adaptive Deep Networks for Image Classification via Uncertainty-aware Decision Fusion [27.117531006305974]
本稿では,適応型深層ネットワークの推論性能を高めるために,CDM(Collaborative Decision Making)モジュールを導入する。 CDMは、第1のc-1分類器からの信頼性(不確かさ値)を利用する、明らかな深層学習(EDL)に基づく不確実性認識融合手法を取り入れている。また、CDMの核融合品質を改善するために、EDL制約による核融合飽和度と不公平性の問題を低減するバランス項を設計する。
論文参考訳（メタデータ） (2024-08-25T07:08:58Z)
Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
論文参考訳（メタデータ） (2023-12-19T15:34:52Z)
MultIOD: Rehearsal-free Multihead Incremental Object Detector [17.236182938227163]
本研究では,CenterNetに基づくクラスインクリメンタルオブジェクト検出器であるMultIODを提案する。われわれは,まず学習したクラスと漸進的に学習したクラスの間で伝達学習を採用し,破滅的な忘れに対処した。その結果,本手法は2つのPascal VOCデータセットの最先端手法よりも優れていた。
論文参考訳（メタデータ） (2023-09-11T09:32:45Z)
Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文参考訳（メタデータ） (2021-12-12T06:11:16Z)
Multiple Classifiers Based Maximum Classifier Discrepancy for Unsupervised Domain Adaptation [25.114533037440896]
本稿では、2つの分類器の構造を複数の分類器に拡張し、その性能をさらに向上することを提案する。平均的に、3つの分類器の構造を採用すると、精度と効率のトレードオフとして最高の性能が得られることを示す。
論文参考訳（メタデータ） (2021-08-02T03:00:13Z)
MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文参考訳（メタデータ） (2021-07-23T06:57:08Z)
Aligning Pretraining for Detection via Object-Level Contrastive Learning [57.845286545603415]
画像レベルのコントラスト表現学習は、伝達学習の汎用モデルとして非常に有効であることが証明されている。我々は、これは準最適である可能性があり、従って、自己教師付きプレテキストタスクと下流タスクのアライメントを促進する設計原則を提唱する。 Selective Object Contrastive Learning (SoCo) と呼ばれる本手法は,COCO検出における伝達性能の最先端化を実現する。
論文参考訳（メタデータ） (2021-06-04T17:59:52Z)
Minimum Variance Embedded Auto-associative Kernel Extreme Learning Machine for One-class Classification [1.4146420810689422]
VAAKELMは、自己連想型カーネル極端学習マシンの拡張である。アーキテクチャ内に最小分散情報を埋め込んで、クラス内の分散を減らす。これは、一級分類に対する再構成に基づくアプローチに従い、再構成エラーを最小限にする。
論文参考訳（メタデータ） (2020-11-24T17:00:30Z)
Towards Accurate Knowledge Transfer via Target-awareness Representation Disentanglement [56.40587594647692]
本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。 TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
論文参考訳（メタデータ） (2020-10-16T17:45:08Z)
Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
論文参考訳（メタデータ） (2020-10-01T15:59:31Z)
Analyzing the Real-World Applicability of DGA Classifiers [3.0969191504482243]
DGAによって生成されたドメインから良性ドメインを分離する新しい分類器を提案する。分類性能を評価し, 説明可能性, 堅牢性, 学習速度, 分類速度について比較した。新たに提案したバイナリ分類器は,他のネットワークによく適応し,タイムロバストであり,これまで知られていなかったDGAを識別することができる。
論文参考訳（メタデータ） (2020-06-19T12:34:05Z)

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。