論文の概要: ExpertNet: A Symbiosis of Classification and Clustering
- arxiv url: http://arxiv.org/abs/2201.06344v1
- Date: Mon, 17 Jan 2022 11:00:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-21 03:36:14.685448
- Title: ExpertNet: A Symbiosis of Classification and Clustering
- Title（参考訳）: ExpertNet: 分類とクラスタリングの共生
- Authors: Shivin Srivastava, Kenji Kawaguchi, Vaibhav Rajan
- Abstract要約: ExpertNetは、クラスタ化された潜在表現を学習し、クラスタ固有の分類器を効果的に組み合わせてそれらを活用するために、新しいトレーニング戦略を使用している。
本研究では,6つの大規模臨床データセットの最先端手法に対するExpertNetの優位性を実証する。
- 参考スコア（独自算出の注目度）: 22.324813752423044
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A widely used paradigm to improve the generalization performance of
high-capacity neural models is through the addition of auxiliary unsupervised
tasks during supervised training. Tasks such as similarity matching and input
reconstruction have been shown to provide a beneficial regularizing effect by
guiding representation learning. Real data often has complex underlying
structures and may be composed of heterogeneous subpopulations that are not
learned well with current approaches. In this work, we design ExpertNet, which
uses novel training strategies to learn clustered latent representations and
leverage them by effectively combining cluster-specific classifiers. We
theoretically analyze the effect of clustering on its generalization gap, and
empirically show that clustered latent representations from ExpertNet lead to
disentangling the intrinsic structure and improvement in classification
performance. ExpertNet also meets an important real-world need where
classifiers need to be tailored for distinct subpopulations, such as in
clinical risk models. We demonstrate the superiority of ExpertNet over
state-of-the-art methods on 6 large clinical datasets, where our approach leads
to valuable insights on group-specific risks.
- Abstract（参考訳）: 高容量ニューラルモデルの一般化性能を向上させるために広く用いられているパラダイムは、教師なしトレーニング中に補助的な教師なしタスクを追加することである。
類似性マッチングや入力再構成といったタスクは、表現学習を導くことで有効な正規化効果をもたらすことが示されている。
実データはしばしば複雑な構造を持ち、現在のアプローチではうまく学ばない不均質な部分集団で構成されている。
本研究では,新しい学習戦略を用いてクラスタ化された潜在表現を学習し,クラスタ固有の分類器を効果的に組み合わせて活用するexpertnetを設計した。
本稿では,クラスタ化が一般化ギャップに与える影響を理論的に解析し,expertnetからの潜在表現のクラスタ化が本質的構造と分類性能の向上に繋がることを示す。
ExpertNetはまた、臨床リスクモデルのような異なるサブ集団のために分類器を調整する必要がある重要な現実世界のニーズを満たす。
我々は6つの大規模臨床データセットにおいて,expertnetが最先端の手法よりも優れていることを示す。
関連論文リスト
- From Logits to Hierarchies: Hierarchical Clustering made Simple [16.132657141993548]
事前訓練された非階層クラスタリングモデル上に実装された軽量なプロシージャは、階層クラスタリングに特化して設計されたモデルより優れていることを示す。
提案手法は,微調整を必要とせず,ログを出力する事前学習クラスタリングモデルに適用可能である。
論文 参考訳（メタデータ） (2024-10-10T12:27:45Z) - Uniting contrastive and generative learning for event sequences models [51.547576949425604]
本研究では,2つの自己指導型学習手法 – 例えば,コントラスト学習と,潜在空間におけるマスクイベントの復元に基づく生成的アプローチ – の統合について検討する。
いくつかの公開データセットで行った実験は、シーケンス分類と次点型予測に焦点を合わせ、統合された手法が個々の手法と比較して優れた性能を達成することを示した。
論文 参考訳（メタデータ） (2024-08-19T13:47:17Z) - Adaptive Self-supervised Robust Clustering for Unstructured Data with Unknown Cluster Number [12.926206811876174]
適応型自己教師型ロバストクラスタリング(Adaptive Self-supervised Robust Clustering, ASRC)と呼ばれる非構造化データに適した,新たな自己教師型ディープクラスタリング手法を提案する。
ASRCはグラフ構造とエッジ重みを適応的に学習し、局所構造情報と大域構造情報の両方をキャプチャする。
ASRCは、クラスタ数の事前知識に依存するメソッドよりも優れており、非構造化データのクラスタリングの課題に対処する上での有効性を強調している。
論文 参考訳（メタデータ） (2024-07-29T15:51:09Z) - GCC: Generative Calibration Clustering [55.44944397168619]
本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。
まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。
第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
論文 参考訳（メタデータ） (2024-04-14T01:51:11Z) - Regularization Through Simultaneous Learning: A Case Study on Plant
Classification [0.0]
本稿では,トランスファーラーニングとマルチタスクラーニングの原則に基づく正規化アプローチである同時学習を紹介する。
我々は、ターゲットデータセットであるUFOP-HVDの補助データセットを活用し、カスタマイズされた損失関数でガイドされた同時分類を容易にする。
興味深いことに,本手法は正規化のないモデルよりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-05-22T19:44:57Z) - Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。
固体アンサンブル分類器を構築するためのプール選択戦略が提示される。
我々は異常検出手法の不確実性を利用する。
論文 参考訳（メタデータ） (2022-12-23T00:50:41Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - Learning the Precise Feature for Cluster Assignment [39.320210567860485]
表現学習とクラスタリングを1つのパイプラインに初めて統合するフレームワークを提案する。
提案フレームワークは,近年開発された生成モデルを用いて,本質的な特徴を学習する能力を活用している。
実験の結果,提案手法の性能は,最先端の手法よりも優れているか,少なくとも同等であることがわかった。
論文 参考訳（メタデータ） (2021-06-11T04:08:54Z) - Deep adaptive fuzzy clustering for evolutionary unsupervised
representation learning [2.8028128734158164]
大規模で複雑な画像のクラスタ割り当ては、パターン認識とコンピュータビジョンにおいて重要かつ困難な作業です。
反復最適化による新しい進化的教師なし学習表現モデルを提案する。
ファジィメンバシップを利用して深層クラスタ割り当ての明確な構造を表現するディープリコンストラクションモデルに対して,共同でファジィクラスタリングを行った。
論文 参考訳（メタデータ） (2021-03-31T13:58:10Z) - Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain
Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。
本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。
提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
論文 参考訳（メタデータ） (2020-12-08T08:52:00Z) - Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。
提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
論文 参考訳（メタデータ） (2020-04-01T13:39:37Z)
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。