論文の概要: Absolute Zero-Shot Learning

• arxiv url: http://arxiv.org/abs/2202.11319v1
• Date: Wed, 23 Feb 2022 05:33:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-24 14:59:27.392421
• Title: Absolute Zero-Shot Learning
• Title（参考訳）: 絶対ゼロショット学習
• Authors: Rui Gao, Fan Wan, Daniel Organisciak, Jiyao Pu, Junyan Wang, Haoran Duan, Peng Zhang, Xingsong Hou, Yang Long
• Abstract要約: 鍵となるイノベーションは、データ漏洩なしにAZSLモデルのトレーニングをガイドするデータ保護として、教師モデルを巻き込むことです。 AZSLタスクにおけるブラックボックスとホワイトボックスのシナリオをモデルセキュリティの異なるレベルとして検討する。 我々のフレームワークは、ホワイトボックスのシナリオで最先端のZSLとGZSLのパフォーマンスを維持することができる。
• 参考スコア（独自算出の注目度）: 14.187187391391882
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Considering the increasing concerns about data copyright and privacy issues, we present a novel Absolute Zero-Shot Learning (AZSL) paradigm, i.e., training a classifier with zero real data. The key innovation is to involve a teacher model as the data safeguard to guide the AZSL model training without data leaking. The AZSL model consists of a generator and student network, which can achieve date-free knowledge transfer while maintaining the performance of the teacher network. We investigate `black-box' and `white-box' scenarios in AZSL task as different levels of model security. Besides, we also provide discussion of teacher model in both inductive and transductive settings. Despite embarrassingly simple implementations and data-missing disadvantages, our AZSL framework can retain state-of-the-art ZSL and GZSL performance under the `white-box' scenario. Extensive qualitative and quantitative analysis also demonstrates promising results when deploying the model under `black-box' scenario.
• Abstract（参考訳）: データ著作権とプライバシの問題に関する懸念が高まる中、我々は新しい絶対ゼロショット学習(azsl)パラダイム、すなわちゼロ実データによる分類器の訓練を提案する。 鍵となるイノベーションは、データ漏洩なしにAZSLモデルのトレーニングをガイドするデータ保護として、教師モデルを巻き込むことです。 AZSLモデルは,教師ネットワークの性能を維持しつつ,日付のない知識伝達を実現するジェネレータと学生ネットワークから構成される。 AZSLタスクにおける「ブラックボックス」と「ホワイトボックス」のシナリオをモデルセキュリティの異なるレベルとして検討する。 また,インダクティブとトランスダクティブの両方の設定において,教師モデルについて議論する。 非常に単純な実装とデータ欠落の欠点にもかかわらず、我々のAZSLフレームワークは、最先端のZSLとGZSLのパフォーマンスを'ホワイトボックス'のシナリオで維持することができる。 大規模な定性的および定量的分析は、モデルを 'ブラックボックス' シナリオでデプロイする際の有望な結果を示す。

関連論文リスト

• Sentinel-Guided Zero-Shot Learning: A Collaborative Paradigm without Real Data Exposure [13.971962047728237]
  SG-ZSLは、モデルや機密データを交換することなく、効率的なコラボレーションを促進するように設計されている。 教師モデル、学生モデル、両方のモデルエンティティをリンクするジェネレータで構成される。 ZSLやGZSLのタスク、特にホワイトボックスプロトコルでは一貫してパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2024-03-14T13:12:49Z)
• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• Federated Zero-Shot Learning for Visual Recognition [55.65879596326147]
  本稿では,Federated Zero-Shot Learning FedZSLフレームワークを提案する。 FedZSLは、エッジデバイス上の分散データから中心的なモデルを学ぶ。 FedZSLの有効性と堅牢性は、3つのゼロショットベンチマークデータセットで実施された広範な実験によって実証された。
  論文  参考訳（メタデータ） (2022-09-05T14:49:34Z)
• On Higher Adversarial Susceptibility of Contrastive Self-Supervised Learning [104.00264962878956]
  コントラスト型自己教師学習(CSL)は,画像と映像の分類において,教師あり学習のパフォーマンスに適合するか上回っている。 2つの学習パラダイムによって誘導される表現の性質が似ているかどうかは、いまだに不明である。 我々は,CSL表現空間における単位超球面上のデータ表現の均一分布を,この現象の鍵となる要因として同定する。 CSLトレーニングでモデルロバスト性を改善するのにシンプルだが有効である戦略を考案する。
  論文  参考訳（メタデータ） (2022-07-22T03:49:50Z)
• DATA: Domain-Aware and Task-Aware Pre-training [94.62676913928831]
  我々は、自己教師付き学習(SSL)に特化した、シンプルで効果的なNASアプローチであるDataを提示する。 提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションなど,下流タスクにおける計算コストの広い範囲にわたる有望な結果を実現する。
  論文  参考訳（メタデータ） (2022-03-17T02:38:49Z)
• Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
  オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。 我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。 我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
  論文  参考訳（メタデータ） (2021-08-12T09:14:44Z)
• Dynamic VAEs with Generative Replay for Continual Zero-shot Learning [1.90365714903665]
  本稿では,タスクごとにサイズが拡大する新しいゼロショット学習(DVGR-CZSL)モデルを提案する。 ZSL(Zero-Shot Learning)を用いた逐次学習において,本手法が優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-26T10:56:43Z)
• Meta-Learned Attribute Self-Gating for Continual Generalized Zero-Shot Learning [82.07273754143547]
  トレーニング中に見られないカテゴリにモデルを一般化するためのメタ連続ゼロショット学習(MCZSL)アプローチを提案する。 属性の自己決定とスケールしたクラス正規化をメタラーニングベースのトレーニングと組み合わせることで、最先端の成果を上回ることができるのです。
  論文  参考訳（メタデータ） (2021-02-23T18:36:14Z)
• A Deep Dive into Adversarial Robustness in Zero-Shot Learning [9.62543698736491]
  本稿では,ゼロショット学習(ZSL)モデルと一般化ゼロショット学習(GZSL)モデルの対角的堅牢性を評価することを目的とした研究を行う。 ZSLモデルの逆ロバスト性に関する最初のベンチマークを作成することに加えて、ZSLロバスト性の結果をよりよく解釈するために注意を要する重要な点についても分析する。
  論文  参考訳（メタデータ） (2020-08-17T22:26:06Z)
• A Biologically Inspired Feature Enhancement Framework for Zero-Shot Learning [18.348568695197553]
  本稿では,ゼロショット学習(ZSL)アルゴリズムのための生物学的にインスパイアされた機能拡張フレームワークを提案する。 具体的には、補助データセットを用いてZSLモデルの特徴抽出器を強化する2チャンネル学習フレームワークを設計する。 提案手法は,ZSLモデルの有効性を効果的に向上し,3つのベンチマークZSLタスクの最先端結果が得られる。
  論文  参考訳（メタデータ） (2020-05-13T13:25:22Z)

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。