Fugu-MT 論文翻訳(概要): Learning with Signatures

論文の概要: Learning with Signatures

arxiv url: http://arxiv.org/abs/2204.07953v1
Date: Sun, 17 Apr 2022 08:36:15 GMT
ステータス: 処理完了
システム内更新日: 2022-04-19 15:10:10.171634
Title: Learning with Signatures
Title（参考訳）: 署名による学習
Authors: J. de Curt\`o and I. de Zarz\`a and Carlos T. Calafate and Hong Yan
Abstract要約: 我々は、クレジット代入を必要とせず、最小限または無限のオーバーフィッティングを必要とせずに、ごく少数のラベルを使用することで、最先端の分類精度を提供する教師付きフレームワークを前進させる。我々は,調波解析のツールをシグネチャとログシグネチャを用いて利用し,スコア関数RMSEとMAEシグネチャとログシグネチャとして利用する。
参考スコア（独自算出の注目度）: 8.569235370614145
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work we investigate the use of the Signature Transform in the context of Learning. Under this assumption, we advance a supervised framework that provides state-of-the-art classification accuracy with the use of very few labels without the need of credit assignment and with minimal or no overfitting. We leverage tools from harmonic analysis by the use of the signature and log-signature and use as a score function RMSE and MAE Signature and log-signature. We develop a closed-form equation to compute probably good optimal scale factors. Classification is performed at the CPU level orders of magnitude faster than other methods. We report results on AFHQ dataset, Four Shapes, MNIST and CIFAR10 achieving 100% accuracy on all tasks.
Abstract（参考訳）: 本研究では,学習の文脈におけるSignature Transformの使用について検討する。この仮定の下では,信用割当を必要とせず,あるいは過小評価することなく,極めて少ないラベルを使用することで,最先端の分類精度を提供する教師付きフレームワークを前進させる。我々は,調波解析のツールをシグネチャとログシグネチャを用いて利用し,スコア関数RMSEとMAEシグネチャとログシグネチャとして利用する。最適なスケール係数を求めるための閉形式方程式を考案する。分類は他の方法よりもはるかに高速にCPUレベルで行われる。 AFHQデータセット、Four Shapes、MNIST、CIFAR10について、全タスクで100%の精度で結果を報告する。

関連論文リスト

One-bit Supervision for Image Classification: Problem, Solution, and Beyond [114.95815360508395]
本稿では,ラベルの少ない新しい学習環境である,画像分類のための1ビット監督について述べる。多段階学習パラダイムを提案し、負ラベル抑圧を半教師付き半教師付き学習アルゴリズムに組み込む。複数のベンチマークにおいて、提案手法の学習効率は、フルビットの半教師付き監視手法よりも優れている。
論文参考訳（メタデータ） (2023-11-26T07:39:00Z)
Binary Classification with Positive Labeling Sources [71.37692084951355]
WEAPOは、負のラベル付け源を使わずにトレーニングラベルを作成するための、シンプルで競争力のあるWS手法である。 We show WEAPO achieve the highest averaged performance on 10 benchmark datasets。
論文参考訳（メタデータ） (2022-08-02T19:32:08Z)
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)
Revealing Reliable Signatures by Learning Top-Rank Pairs [15.582774097442721]
署名検証は重要なドキュメント分析タスクである。著者に依存しないオフライン署名検証タスクに対して,トップランクペア(top-rank pairs)を学習するための新しい手法を提案する。
論文参考訳（メタデータ） (2022-03-17T08:20:19Z)
How Fine-Tuning Allows for Effective Meta-Learning [50.17896588738377]
MAMLライクなアルゴリズムから派生した表現を解析するための理論的フレームワークを提案する。我々は,勾配降下による微調整により得られる最良予測器のリスク境界を提示し,アルゴリズムが共有構造を有効活用できることを実証する。この分離の結果、マイニングベースのメソッド、例えばmamlは、少数ショット学習における"frozen representation"目標を持つメソッドよりも優れている。
論文参考訳（メタデータ） (2021-05-05T17:56:00Z)
Cross-domain Speech Recognition with Unsupervised Character-level Distribution Matching [60.8427677151492]
2つの領域における各文字間の微粒化適応を行うための文字レベルの分布マッチング手法であるCMatchを提案する。 Libri-Adaptデータセットを用いた実験の結果,提案手法はクロスデバイスとクロス環境の両方で14.39%,16.50%の単語誤り率(WER)を低減できることがわかった。
論文参考訳（メタデータ） (2021-04-15T14:36:54Z)
SimPLE: Similar Pseudo Label Exploitation for Semi-Supervised Classification [24.386165255835063]
一般的な分類タスクの状況は、トレーニングに利用可能な大量のデータを持っているが、クラスラベルを持つのはごく一部である。この文脈で、半監督トレーニングの目標は、大量のラベルのないデータからの情報を利用して分類精度を向上させることです。本研究では,相互に類似した高信頼度ラベル付きデータ間の研究の少ない関係に焦点をあてた,教師なしの新たな目的を提案する。提案したSimPLEアルゴリズムは,CIFAR-100およびMini-ImageNetにおける従来のアルゴリズムと比較して有意な性能向上を示した。
論文参考訳（メタデータ） (2021-03-30T23:48:06Z)
Sinkhorn Label Allocation: Semi-Supervised Classification via Annealed Self-Training [38.81973113564937]
セルフトレーニングは、学習者がラベルのないデータに関する予測をトレーニング中の監督として使用する半教師付き学習の標準的なアプローチです。本稿では,このラベル割当問題を事例とクラス間の最適輸送問題として再解釈する。我々は,CIFAR-10,CIFAR-100,SVHNデータセットに対するアルゴリズムの有効性を,最先端の自己学習アルゴリズムであるFixMatchと比較した。
論文参考訳（メタデータ） (2021-02-17T08:23:15Z)
SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
論文参考訳（メタデータ） (2020-11-20T08:26:10Z)
Learning Graph-Based Priors for Generalized Zero-Shot Learning [21.43100823741393]
ゼロショット学習(ZSL)では、トレーニング時に目に見えないクラスからサンプルのラベルを正確に予測する必要がある。 GZSLへの最近のアプローチは、未知のクラスからサンプルを生成するために使用される生成モデルの価値を示している。本研究では,ラベル上の関係グラフの形式に副次的な情報ソースを組み込む。
論文参考訳（メタデータ） (2020-10-22T01:20:46Z)

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。