論文の概要: Interpretable Concept-based Prototypical Networks for Few-Shot Learning

• arxiv url: http://arxiv.org/abs/2202.13474v1
• Date: Sun, 27 Feb 2022 23:13:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 14:49:45.195258
• Title: Interpretable Concept-based Prototypical Networks for Few-Shot Learning
• Title（参考訳）: ファウショット学習のための解釈可能な概念ベースプロトタイプネットワーク
• Authors: Mohammad Reza Zarei, Majid Komeili
• Abstract要約: 少数のショット学習は、限られたサンプルを持つクラスから新しいインスタンスを認識することを目的としている。 人間の解釈可能な概念の集合に基づくFSLの手法を提案する。 概念に関連した距離空間の集合を構築し、概念固有の決定を集約することで、新しいクラスのサンプルを分類する。
• 参考スコア（独自算出の注目度）: 4.594159253008448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot learning aims at recognizing new instances from classes with limited samples. This challenging task is usually alleviated by performing meta-learning on similar tasks. However, the resulting models are black-boxes. There has been growing concerns about deploying black-box machine learning models and FSL is not an exception in this regard. In this paper, we propose a method for FSL based on a set of human-interpretable concepts. It constructs a set of metric spaces associated with the concepts and classifies samples of novel classes by aggregating concept-specific decisions. The proposed method does not require concept annotations for query samples. This interpretable method achieved results on a par with six previously state-of-the-art black-box FSL methods on the CUB fine-grained bird classification dataset.
• Abstract（参考訳）: 限定的なサンプルを持つクラスから新しいインスタンスを認識することを目的としている。 この困難なタスクは、通常、同様のタスクでメタ学習を実行することで軽減される。 しかし、結果として得られるモデルはブラックボックスである。 ブラックボックス機械学習モデルのデプロイに関する懸念が高まっており、この点ではFSLは例外ではない。 本稿では,人間の解釈可能な概念の集合に基づくFSLの手法を提案する。 概念に付随する距離空間の集合を構成し、概念固有の決定を集約することで新しいクラスのサンプルを分類する。 提案手法は,クエリサンプルに対する概念アノテーションを必要としない。 この解釈可能な手法は、CUBの細粒化鳥分類データセット上で、6つの最先端のブラックボックスFSL法と同等の結果を得た。

関連論文リスト

• Context-Aware Meta-Learning [52.09326317432577]
  本研究では,大規模言語モデルのエミュレートを行うメタ学習アルゴリズムを提案する。 我々のアプローチは、11のメタラーニングベンチマークのうち8つで最先端のアルゴリズムであるP>M>Fを上回り、一致します。
  論文  参考訳（メタデータ） (2023-10-17T03:35:27Z)
• Interpretable Few-shot Learning with Online Attribute Selection [4.594159253008448]
  本稿では,人間に親しみやすい属性をベースとした,少数ショット学習のための本質的に解釈可能なモデルを提案する。 また,各エピソードにおける無関係な属性を効果的にフィルタリングするオンライン属性選択機構を提案する。 提案手法は,広範に使用されている4つのデータセット上で,ブラックボックス数ショット学習モデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-11-16T18:50:11Z)
• Constrained Few-Shot Learning: Human-Like Low Sample Complexity Learning and Non-Episodic Text Classification [11.35732215154172]
  ほとんどショット学習は、サンプルの複雑さの低い推論を学ぼうとする学習の創発的なパラダイムである。 認知理論に着想を得た新たなカテゴリー的コントラスト損失を用いたCFSL法を提案する。
  論文  参考訳（メタデータ） (2022-08-17T06:05:41Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• MGIMN: Multi-Grained Interactive Matching Network for Few-shot Text Classification [9.9875634964736]
  テキスト分類は、クラスごとにラベル付きテキストインスタンスがほとんどない、目に見えないクラスに一般化するのに苦労する。 本稿では,メタラーニングに基づくMGIMNを提案する。
  論文  参考訳（メタデータ） (2022-04-11T08:58:55Z)
• Semantics-driven Attentive Few-shot Learning over Clean and Noisy Samples [0.0]
  メタラーナーモデルを学習し、新しいクラスに関する事前の意味知識を活用して分類器合成プロセスを導くことを目指している。 特に,表現次元とトレーニングインスタンスの重要性を推定する意味条件付き特徴注意機構とサンプル注意機構を提案する。
  論文  参考訳（メタデータ） (2022-01-09T16:16:23Z)
• A Strong Baseline for Semi-Supervised Incremental Few-Shot Learning [54.617688468341704]
  少ないショット学習は、限られたトレーニングサンプルを持つ新しいクラスに一般化するモデルを学ぶことを目的としている。 本研究では,(1)信頼できない擬似ラベルによる基本クラスと新クラスのあいまいさを緩和する高度に設計されたメタトレーニングアルゴリズム,(2)ラベルの少ないデータとラベルなしデータを用いて基礎知識を保ちながら,新クラスの識別的特徴を学習するモデル適応機構を提案する。
  論文  参考訳（メタデータ） (2021-10-21T13:25:52Z)
• Self-Supervised Learning of Graph Neural Networks: A Unified Review [50.71341657322391]
  ラベルなしサンプルを多用する新たなパラダイムとして,自己教師型学習が登場している。 SSLを用いたグラフニューラルネットワーク(GNNs)のトレーニング方法の統一レビューを提供します。 gnnに対するssl手法の処理は,様々な手法の類似性と相違に光を当て,新しい手法やアルゴリズムの開発段階を定めている。
  論文  参考訳（メタデータ） (2021-02-22T03:43:45Z)
• Contrastive Prototype Learning with Augmented Embeddings for Few-Shot Learning [58.2091760793799]
  拡張埋め込み(CPLAE)モデルを用いた新しいコントラスト型プロトタイプ学習を提案する。 クラスプロトタイプをアンカーとして、CPLは、同じクラスのクエリサンプルを、異なるクラスのサンプルを、さらに遠くに引き出すことを目的としている。 いくつかのベンチマークによる大規模な実験により,提案したCPLAEが新たな最先端を実現することが示された。
  論文  参考訳（メタデータ） (2021-01-23T13:22:44Z)
• Simultaneous Perturbation Stochastic Approximation for Few-Shot Learning [0.5801044612920815]
  本稿では, プロトタイプ型ネットワーク手法に基づく, プロトタイプライクな少数ショット学習手法を提案する。 ベンチマークデータセットを用いた実験の結果,提案手法は元のネットワークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-09T09:47:58Z)
• Boosting Few-Shot Learning With Adaptive Margin Loss [109.03665126222619]
  本稿では,数ショット学習問題に対するメートル法に基づくメタラーニング手法の一般化能力を改善するための適応的マージン原理を提案する。 大規模な実験により,提案手法は,現在のメートル法に基づくメタラーニング手法の性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2020-05-28T07:58:41Z)

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。