Fugu-MT 論文翻訳(概要): Robust Semi-Supervised Classification using GANs with Self-Organizing Maps

論文の概要: Robust Semi-Supervised Classification using GANs with Self-Organizing Maps

arxiv url: http://arxiv.org/abs/2110.10286v1
Date: Tue, 19 Oct 2021 22:07:45 GMT
ステータス: 処理完了
システム内更新日: 2021-10-22 17:37:13.500742
Title: Robust Semi-Supervised Classification using GANs with Self-Organizing Maps
Title（参考訳）: 自己組織化マップを用いたGANを用いたロバスト半監督分類
Authors: Ronald Fick, Paul Gader, Alina Zare
Abstract要約: GAN(Generative Adversarial Network)は,データ生成の学習と,半教師付き分類支援に有効であることを示す。 GANは、外部分布と呼ばれる他の分布からのサンプルを提示すると、性能が悪くなる。本稿では,自己組織化マップ(SOM)とSS-GANSを組み合わせたアーキテクチャについて述べる。
参考スコア（独自算出の注目度）: 3.6709255857424843
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generative adversarial networks (GANs) have shown tremendous promise in learning to generate data and effective at aiding semi-supervised classification. However, to this point, semi-supervised GAN methods make the assumption that the unlabeled data set contains only samples of the joint distribution of the classes of interest, referred to as inliers. Consequently, when presented with a sample from other distributions, referred to as outliers, GANs perform poorly at determining that it is not qualified to make a decision on the sample. The problem of discriminating outliers from inliers while maintaining classification accuracy is referred to here as the DOIC problem. In this work, we describe an architecture that combines self-organizing maps (SOMs) with SS-GANS with the goal of mitigating the DOIC problem and experimental results indicating that the architecture achieves the goal. Multiple experiments were conducted on hyperspectral image data sets. The SS-GANS performed slightly better than supervised GANS on classification problems with and without the SOM. Incorporating the SOMs into the SS-GANs and the supervised GANS led to substantially mitigation of the DOIC problem when compared to SS-GANS and GANs without the SOMs. Furthermore, the SS-GANS performed much better than GANS on the DOIC problem, even without the SOMs.
Abstract（参考訳）: GAN(Generative Adversarial Network)は,データ生成の学習と,半教師付き分類支援に有効であることを示す。しかし、この点において、半教師付きgan法は、ラベルのないデータセットが興味のあるクラスの合同分布のサンプルのみを含むことを仮定している。従って、アウトリアーと呼ばれる他の分布からのサンプルを提示すると、ganはサンプルで決定する資格がないと判断することができない。分類精度を維持しながら異常値から外れ値を判別する問題は、ここではdoic問題と呼ぶ。本研究では,自己組織化マップ(SOM)とSS-GANSを組み合わせたアーキテクチャを,DOIC問題を緩和する目的と,そのアーキテクチャが目標を達成することを示す実験結果について述べる。ハイパースペクトル画像データセット上で複数の実験を行った。 SS-GANSは、SOMと非対応の分類問題において、監督されたGANSよりも若干優れていた。 SOMをSS-GANと監督されたGANSに組み込むことは、SOMを含まないSS-GANSやGANと比較して、DOICの問題を大幅に緩和する結果となった。さらに, SS-GANSはSOMがなくても, DOIC問題においてGANSよりも優れた性能を示した。

関連論文リスト

ConDiSR: Contrastive Disentanglement and Style Regularization for Single Domain Generalization [42.810247034149214]
医療データは、しばしば分散シフトを示し、標準パイプラインを使用してトレーニングされたディープラーニングモデルのテスト時のパフォーマンス劣化を引き起こす。本研究は、分類タスクの文脈において、単一ドメインの一般化フレームワークを探索することの重要性と課題を強調した。
論文参考訳（メタデータ） (2024-03-14T13:50:44Z)
A Sea-Land Clutter Classification Framework for Over-the-Horizon-Radar Based on Weighted Loss Semi-supervised GAN [25.093052585959807]
我々は、改良された生成逆数ネットワーク、すなわち重み付き損失半教師付き生成逆数ネットワーク(WL-SSGAN)を提案する。 WL-SSGANの半教師付き分類性能を海面クラッタデータセットで評価した。
論文参考訳（メタデータ） (2023-05-06T11:45:45Z)
AGRO: Adversarial Discovery of Error-prone groups for Robust Optimization [109.91265884632239]
群分散ロバスト最適化(G-DRO)は、トレーニングデータに対する事前定義されたグループのセットに対する最悪の損失を最小限にすることができる。本稿では、分散ロバスト最適化のためのAGRO -- Adversarial Group Discoveryを提案する。 AGROは、既知の最悪のグループの平均モデルパフォーマンスを8%向上させる。
論文参考訳（メタデータ） (2022-12-02T00:57:03Z)
Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文参考訳（メタデータ） (2022-11-12T09:21:49Z)
Complementing Semi-Supervised Learning with Uncertainty Quantification [6.612035830987296]
そこで本研究では,アレータ性およびてんかん性不確実性定量化に依存する,教師なし不確実性認識の新たな目的を提案する。 CIFAR-100やMini-ImageNetのような複雑なデータセットでは,結果が最先端の成果よりも優れています。
論文参考訳（メタデータ） (2022-07-22T00:15:02Z)
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)
Semi-Supervised Semantic Segmentation of Vessel Images using Leaking Perturbations [1.5791732557395552]
Leaking GANは、網膜血管セグメンテーションのためのGANベースの半教師付きアーキテクチャである。私たちのキーとなるアイデアは、ジェネレータから情報を漏らすことで識別器を汚染することです。これにより、より穏健な世代がGANのトレーニングに役立ちます。
論文参考訳（メタデータ） (2021-10-22T18:25:08Z)
Discriminator-Free Generative Adversarial Attack [87.71852388383242]
生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
論文参考訳（メタデータ） (2021-07-20T01:55:21Z)
Provable Generalization of SGD-trained Neural Networks of Any Width in the Presence of Adversarial Label Noise [85.59576523297568]
勾配降下法により学習した任意の幅の1層リークReLUネットワークを考察する。 sgdは,分布上の最良半空間に匹敵する分類精度を持つニューラルネットワークを生成できることを実証する。
論文参考訳（メタデータ） (2021-01-04T18:32:49Z)
Brain Stroke Lesion Segmentation Using Consistent Perception Generative Adversarial Network [22.444373004248217]
半教師型脳卒中病変分類において, CPGAN(Consistent Perception Generative Adversarial Network)を提案する。類似接続モジュール (SCM) は、マルチスケール機能の情報をキャプチャするように設計されている。識別者が有意義な特徴表現を学習するように促すために、補助ネットワークを構築する。
論文参考訳（メタデータ） (2020-08-30T07:42:47Z)
A Boundary Based Out-of-Distribution Classifier for Generalized Zero-Shot Learning [83.1490247844899]
Generalized Zero-Shot Learning (GZSL)は多くの現実的なシナリオにおいて有望な見通しを持つ挑戦的なトピックである。本研究では,見知らぬ領域を学習用サンプルのみを用いて分類する境界に基づくアウト・オブ・ディストリビューション(OOD)分類器を提案する。我々は、AWA1、AWA2、CUB、FLO、SUNを含む5つの人気のあるベンチマークデータセットに対して、我々のアプローチを広範囲に検証する。
論文参考訳（メタデータ） (2020-08-09T11:27:19Z)

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。