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
- Prospector Heads: Generalized Feature Attribution for Large Models &
Data [63.33062996732212]
本稿では,特徴帰属のための説明に基づく手法の,効率的かつ解釈可能な代替手段であるプロスペクタヘッドを紹介する。
入力データにおけるクラス固有のパターンの解釈と発見を、プロファイラヘッドがいかに改善できるかを実証する。
論文 参考訳(メタデータ) (2024-02-18T23:01:28Z) - Interpretable Deep Clustering [3.9596068699962315]
本稿では,インスタンスとクラスタレベルでの解釈可能なクラスタ割り当てを予測する,新たなディープラーニングフレームワークを提案する。
提案手法は,合成データと実データを用いてクラスタ割り当てを確実に予測できることを示す。
論文 参考訳(メタデータ) (2023-06-07T21:08:09Z) - 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) - Attribute Graph Clustering via Learnable Augmentation [71.36827095487294]
対照的なディープグラフクラスタリング(CDGC)は、異なるクラスタにノードをグループ化するために対照的な学習を利用する。
本稿では,高品質な増分サンプルのための学習可能な増分器を導入するための,Learningable Augmentation (textbfAGCLA) を用いた属性グラフクラスタリング手法を提案する。
論文 参考訳(メタデータ) (2022-12-07T10:19:39Z) - 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 Fair Discriminative Clustering [24.237000220172906]
2値および多状態保護状態変数(PSV)に対するグループレベルの公正性の一般概念について検討する。
本稿では,クラスタリング目標とフェアネス目標とを組み合わせて,フェアクラスタを適応的に学習する改良学習アルゴリズムを提案する。
本フレームワークは, フレキシブルフェアネス制約, マルチステートPSV, 予測クラスタリングなど, 新規なクラスタリングタスクに対して有望な結果を示す。
論文 参考訳(メタデータ) (2021-05-28T23:50:48Z) - 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。