論文の概要: PLATINUM: Semi-Supervised Model Agnostic Meta-Learning using Submodular Mutual Information

• arxiv url: http://arxiv.org/abs/2201.12928v1
• Date: Sun, 30 Jan 2022 22:07:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 17:10:42.985890
• Title: PLATINUM: Semi-Supervised Model Agnostic Meta-Learning using Submodular Mutual Information
• Title（参考訳）: PLATINUM:サブモジュール相互情報を用いた半教師付きメタラーニング
• Authors: Changbin Li, Suraj Kothawade, Feng Chen, Rishabh Iyer
• Abstract要約: FSC (Few-shot Classification) は、クラスごとに少数の(通常1から5までの)データポイントを使用するトレーニングモデルを必要とする。 サブモジュール相互情報(SMI)関数を用いてFSCの性能を向上する半教師付きモデル非依存メタラーニングフレームワークPLATINUMを提案する。
• 参考スコア（独自算出の注目度）: 3.1845305066053347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot classification (FSC) requires training models using a few (typically one to five) data points per class. Meta learning has proven to be able to learn a parametrized model for FSC by training on various other classification tasks. In this work, we propose PLATINUM (semi-suPervised modeL Agnostic meTa-learnIng usiNg sUbmodular Mutual information), a novel semi-supervised model agnostic meta-learning framework that uses the submodular mutual information (SMI) functions to boost the performance of FSC. PLATINUM leverages unlabeled data in the inner and outer loop using SMI functions during meta-training and obtains richer meta-learned parameterizations for meta-test. We study the performance of PLATINUM in two scenarios - 1) where the unlabeled data points belong to the same set of classes as the labeled set of a certain episode, and 2) where there exist out-of-distribution classes that do not belong to the labeled set. We evaluate our method on various settings on the miniImageNet, tieredImageNet and Fewshot-CIFAR100 datasets. Our experiments show that PLATINUM outperforms MAML and semi-supervised approaches like pseduo-labeling for semi-supervised FSC, especially for small ratio of labeled examples per class.
• Abstract（参考訳）: FSC (Few-shot Classification) は、クラスごとに少数の(通常1から5までの)データポイントを使用するトレーニングモデルを必要とする。 メタ学習は、他の様々な分類タスクのトレーニングによって、FSCのパラメータ化モデルを学習できることが証明されている。 本研究では、サブモジュラー相互情報(SMI)機能を用いて、FSCの性能を高める新しい半教師付きメタ学習フレームワークPLATINUM(semi-suPervised modeL Agnostic meTa-learnIng usiNg sUbmodular Mutual information)を提案する。 PLATINUMは、メタトレーニング中にSMI関数を使用して、内外ループのラベルなしデータを活用し、メタテストのためのより豊かなメタ学習パラメータ化を得る。 PLATINUMの性能を2つのシナリオで検討する - 1)ラベルなしデータポイントは、あるエピソードのラベル付きセットと同じクラスに属し、 2) ラベル付き集合に属さない分配外クラスが存在する場合。 本手法は, miniImageNet, tieredImageNet, Fewshot-CIFAR100データセットの様々な設定で評価する。 実験の結果,PLATINUM はMAML や半教師付き FSC の pseduo-labeling などの半教師付きアプローチよりも優れており,特にクラスごとのラベル付き例の少なさが顕著であった。

関連論文リスト

• Meta-UAD: A Meta-Learning Scheme for User-level Network Traffic Anomaly Detection [15.038762892493219]
  ユーザレベルのネットワークトラフィック異常検出のためのメタラーニング手法である textitMeta-UAD を提案する。 我々はCICFlowMeterを使って81のフローレベルの統計的特徴を抽出し、いくつかの無効な特徴を取り除く。 既存のモデルと比較すると,Meta-UADはF1スコアで15%から43%向上した。
  論文  参考訳（メタデータ） (2024-08-30T06:05:15Z)
• Architecture, Dataset and Model-Scale Agnostic Data-free Meta-Learning [119.70303730341938]
  データフリーメタトレーニングにおけるePisode cUrriculum inversion(ECI)と、内部ループ後のinvErsion calibRation(ICFIL)を提案する。 ECIは、メタモデルのリアルタイムフィードバックに応じて、擬似エピソードの難易度を適応的に増加させる。 本稿では,ECIを用いたメタトレーニングの最適化過程を,エンド・ツー・エンド方式で近似形式として定式化する。
  論文  参考訳（メタデータ） (2023-03-20T15:10:41Z)
• Pseudo-Labeling Based Practical Semi-Supervised Meta-Training for Few-Shot Learning [93.63638405586354]
  擬似ラベルベースメタラーニング(PLML)という,シンプルで効果的なメタトレーニングフレームワークを提案する。 まず、一般的な半教師付き学習(SSL)を用いて分類器を訓練し、ラベルなしデータの擬似ラベルを得る。 ラベル付きおよび擬似ラベル付きデータから数ショットのタスクを構築し、特徴の平滑化と雑音抑圧を伴う新しい微調整法を設計する。
  論文  参考訳（メタデータ） (2022-07-14T10:53:53Z)
• Self-Adaptive Label Augmentation for Semi-supervised Few-shot Classification [121.63992191386502]
  Few-shotの分類は、ラベル付きサンプルがわずかにあれば、新しいタスクをうまく一般化できるモデルを学ぶことを目的としている。 そこで本研究では,手動で定義した指標を用いて,ラベルのない各サンプルに適切なラベルを割り当てる半教師付き小ショット分類手法を提案する。 SALAの目新しいところは、タスク適応計量であり、エンドツーエンドの方法で異なるタスクに対するメトリックを適応的に学習することができる。
  論文  参考訳（メタデータ） (2022-06-16T13:14:03Z)
• CIM: Class-Irrelevant Mapping for Few-Shot Classification [58.02773394658623]
  FSC(Few-shot Classification)は近年のホットな問題の一つである。 事前訓練されたFEMを評価する方法は、FSCコミュニティにおいて最も重要な焦点である。 CIM(Class-Irrelevant Mapping)と呼ばれるシンプルなフレキシブルな手法を提案する。
  論文  参考訳（メタデータ） (2021-09-07T03:26:24Z)
• Explaining the Performance of Multi-label Classification Methods with Data Set Properties [1.1278903078792917]
  MLC(Multi-label Classification)のためのデータセットと手法に関する総合メタラーニング研究を提案する。 ここでは,40個のMLCデータセットを,データの異なる特性を記述した50個のメタ特徴を用いて解析する。 MLCデータセットの空間を記述する最も顕著なメタ機能は、ラベル空間の異なる側面を評価するものである。
  論文  参考訳（メタデータ） (2021-06-28T11:00:05Z)
• MM-FSOD: Meta and metric integrated few-shot object detection [14.631208179789583]
  メトリクス学習とメタラーニングを統合した効果的なオブジェクト検出フレームワーク(MM-FSOD)を提案する。 我々のモデルは、トレーニングサンプルにない新しいカテゴリを正確に認識できるクラスに依存しない検出モデルである。
  論文  参考訳（メタデータ） (2020-12-30T14:02:52Z)
• Explanation-Guided Training for Cross-Domain Few-Shot Classification [96.12873073444091]
  クロスドメイン・ショット分類タスク(CD-FSC)は、データセットで表されるドメインをまたいで一般化する要件と、少数ショット分類を組み合わせたものである。 既存のFSCモデルに対する新しいトレーニング手法を提案する。 説明誘導学習はモデル一般化を効果的に改善することを示す。
  論文  参考訳（メタデータ） (2020-07-17T07:28:08Z)
• Incremental Meta-Learning via Indirect Discriminant Alignment [118.61152684795178]
  メタ学習のメタ学習段階において,段階的な学習の概念を発達させる。 我々のアプローチは、完全なメタトレーニングセットでモデルをトレーニングするのと比べて、テスト時に好適に機能する。
  論文  参考訳（メタデータ） (2020-02-11T01:39:12Z)

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。