論文の概要: One-Shot Learning on Attributed Sequences
- arxiv url: http://arxiv.org/abs/2201.09202v1
- Date: Sun, 23 Jan 2022 07:19:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 14:40:41.207360
- Title: One-Shot Learning on Attributed Sequences
- Title（参考訳）: 分散シーケンスによるワンショット学習
- Authors: Zhongfang Zhuang, Xiangnan Kong, Elke Rundensteiner, Aditya Arora,
Jihane Zouaoui
- Abstract要約: 本稿では,属性の集合と分類項目の列から構成される属性列に対する一発学習の問題について検討する。
この問題は、不正防止からネットワーク侵入検出まで、様々な現実世界のアプリケーションにとって重要である。
我々はこの問題に対処するためにディープラーニングフレームワークOLASを設計する。
- 参考スコア（独自算出の注目度）: 13.689383530299502
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One-shot learning has become an important research topic in the last decade
with many real-world applications. The goal of one-shot learning is to classify
unlabeled instances when there is only one labeled example per class.
Conventional problem setting of one-shot learning mainly focuses on the data
that is already in feature space (such as images). However, the data instances
in real-world applications are often more complex and feature vectors may not
be available. In this paper, we study the problem of one-shot learning on
attributed sequences, where each instance is composed of a set of attributes
(e.g., user profile) and a sequence of categorical items (e.g., clickstream).
This problem is important for a variety of real-world applications ranging from
fraud prevention to network intrusion detection. This problem is more
challenging than conventional one-shot learning since there are dependencies
between attributes and sequences. We design a deep learning framework OLAS to
tackle this problem. The proposed OLAS utilizes a twin network to generalize
the features from pairwise attributed sequence examples. Empirical results on
real-world datasets demonstrate the proposed OLAS can outperform the
state-of-the-art methods under a rich variety of parameter settings.
- Abstract（参考訳）: ワンショット学習は多くの現実世界のアプリケーションで過去10年で重要な研究テーマとなっている。
ワンショット学習の目標は、ラベルなしインスタンスをクラス毎にラベル付きサンプルが1つしかない場合に分類することである。
ワンショット学習の従来の問題設定は、主に既に特徴空間(画像など)にあるデータに焦点を当てている。
しかし、現実世界のアプリケーションのデータインスタンスは多くの場合より複雑で、機能ベクトルは利用できない。
本稿では,各インスタンスが属性のセット(ユーザプロファイルなど)とカテゴリの要素のシーケンス(クリックストリームなど)で構成された,帰属シーケンスにおけるワンショット学習の問題について検討する。
この問題は、詐欺防止からネットワーク侵入検出まで、様々な現実世界のアプリケーションにとって重要である。
この問題は、属性とシーケンスの間に依存関係があるため、従来のワンショット学習よりも難しい。
我々はこの問題に対処するためにディープラーニングフレームワークOLASを設計する。
提案するOLASは、ツインネットワークを用いて、ペア属性シーケンスの例から特徴を一般化する。
実世界のデータセットに対する実証的な結果から、提案したOLASは、様々なパラメータ設定の下で最先端の手法より優れていることが示された。
関連論文リスト
- UniFS: Universal Few-shot Instance Perception with Point Representations [36.943019984075065]
そこで我々は,UniFSを提案する。UniFSは多種多様なインスタンス認識タスクを統一する汎用のインスタンス認識モデルである。
提案手法は,タスクについて最小限の仮定を行うが,高度に専門的で最適化されたスペシャリストモデルと比較して,競争力のある結果が得られる。
論文 参考訳（メタデータ） (2024-04-30T09:47:44Z) - Learning Common Rationale to Improve Self-Supervised Representation for
Fine-Grained Visual Recognition Problems [61.11799513362704]
我々は、インスタンスやクラスでよく見られる差別的手がかりを識別するための、追加のスクリーニングメカニズムの学習を提案する。
SSL目標から誘導されるGradCAMを単純に利用することで、共通な有理性検出器が学習可能であることを示す。
論文 参考訳（メタデータ） (2023-03-03T02:07:40Z) - Expanding continual few-shot learning benchmarks to include recognition of specific instances [0.0]
継続的な学習と数発の学習は、より広範な機械学習(ML)機能に向けた進歩の重要なフロンティアである。
最初の例の1つは、Antoniou et al. arXiv:2004.11967 の連続的な数発学習フレームワークであった。
我々はCFSLを2つの方法で拡張し、現実の環境での知的エージェントの振る舞いにおいて重要な、幅広い課題を捉える。
論文 参考訳（メタデータ） (2022-08-26T06:32:55Z) - Can I see an Example? Active Learning the Long Tail of Attributes and
Relations [64.50739983632006]
視覚シーンの属性や関係を問う,新たな逐次能動学習フレームワークを提案する。
従来のアクティブな学習手法では、特定の例のラベルを求めるが、エージェントが特定のカテゴリからサンプルを求めることができるように、このフレーミングを反転させる。
このフレーミングを用いて、データ分布の尾からサンプルを求めるアクティブサンプリング手法を導入し、Visual Genomeの古典的アクティブラーニング手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-03-11T19:28:19Z) - Latent-Insensitive Autoencoders for Anomaly Detection and
Class-Incremental Learning [0.0]
我々は、類似ドメインからのラベルなしデータを負の例として用いて、正規のオートエンコーダの潜伏層(ブートネック)を形成するLatent-Insensitive Autoencoder (LIS-AE)を紹介した。
本稿では,クラス毎に異なる潜在層を追加して,クラス増分学習を複数の異常検出タスクとして扱うとともに,クラス増分学習を負の例として,各潜在層を形作る。
論文 参考訳（メタデータ） (2021-10-25T16:53:49Z) - Episode Adaptive Embedding Networks for Few-shot Learning [4.328767711595871]
エピソード固有のインスタンスの埋め込みを学習するために,emphEpisode Adaptive Embedding Network (EAEN)を提案する。
EAENは、最先端のメソッドに対して異なる設定で10%$から20%$の分類精度を大幅に改善する。
論文 参考訳（メタデータ） (2021-06-17T11:29:33Z) - Hyperspherical embedding for novel class classification [1.5952956981784217]
本稿では,正規化ソフトマックス損失下での潜在空間の表現に制約に基づくアプローチを提案する。
本研究では,メトリクス学習と正規化ソフトマックス損失の両方を用いて,異なるデータセット上の未知のクラスを分類するための提案手法を実験的に検証した。
この結果から,提案した戦略は,ペアワイズ学習を必要とせず,メトリック学習戦略よりも優れた分類結果を提供するため,より大規模なクラスで効率的に学習可能であることが示唆された。
論文 参考訳（メタデータ） (2021-02-05T15:42:13Z) - Generative Multi-Label Zero-Shot Learning [136.17594611722285]
マルチラベルゼロショット学習は、トレーニング中にデータが入手できない複数の見えないカテゴリにイメージを分類する試みである。
我々の研究は、(一般化された)ゼロショット設定におけるマルチラベル機能の問題に最初に取り組みました。
私たちのクロスレベル核融合に基づく生成アプローチは、3つのデータセットすべてにおいて最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2021-01-27T18:56:46Z) - CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action
Recognition [52.66360172784038]
各インスタンスを個別に最適化するのではなく,すべてのトレーニングサンプルを同時に考慮したクラスタリングモデルを提案する。
提案手法をCLASTERと呼び,すべての標準データセットの最先端性を常に改善することを確認する。
論文 参考訳（メタデータ） (2021-01-18T12:46:24Z) - One-Shot Object Detection without Fine-Tuning [62.39210447209698]
本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。
また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。
提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
論文 参考訳（メタデータ） (2020-05-08T01:59:23Z) - Learning What Makes a Difference from Counterfactual Examples and
Gradient Supervision [57.14468881854616]
ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。
我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。
このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2020-04-20T02:47:49Z)
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。