論文の概要: Spacing Loss for Discovering Novel Categories
- arxiv url: http://arxiv.org/abs/2204.10595v1
- Date: Fri, 22 Apr 2022 09:37:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-25 19:28:04.220338
- Title: Spacing Loss for Discovering Novel Categories
- Title(参考訳): 新たなカテゴリ発見のためのスペーシング損失
- Authors: K J Joseph, Sujoy Paul, Gaurav Aggarwal, Soma Biswas, Piyush Rai, Kai
Han, Vineeth N Balasubramanian
- Abstract要約: 新たなクラスディスカバリ(NCD)は、マシンラーニングモデルがラベルのないデータからインスタンスを意味的にグループ化する、学習パラダイムである。
まず,ラベル付きデータとラベルなしデータを併用する必要があるかどうかに基づいて,既存のNCD手法を1段階および2段階の手法に特徴付ける。
多次元スケーリングのキューを用いて、潜在空間における分離性を強制する単純で強力な損失関数を考案する。
- 参考スコア(独自算出の注目度): 72.52222295216062
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Novel Class Discovery (NCD) is a learning paradigm, where a machine learning
model is tasked to semantically group instances from unlabeled data, by
utilizing labeled instances from a disjoint set of classes. In this work, we
first characterize existing NCD approaches into single-stage and two-stage
methods based on whether they require access to labeled and unlabeled data
together while discovering new classes. Next, we devise a simple yet powerful
loss function that enforces separability in the latent space using cues from
multi-dimensional scaling, which we refer to as Spacing Loss. Our proposed
formulation can either operate as a standalone method or can be plugged into
existing methods to enhance them. We validate the efficacy of Spacing Loss with
thorough experimental evaluation across multiple settings on CIFAR-10 and
CIFAR-100 datasets.
- Abstract(参考訳): 新たなクラスディスカバリ(英: Novel Class Discovery、NCD)は、学習パラダイムである。機械学習モデルでは、不連続なクラスの集合からラベル付きインスタンスを利用することにより、ラベル付きデータからインスタンスを意味的にグループ化する。
本研究では,ラベル付きデータとラベルなしデータとを併用して新しいクラスを発見できるかどうかに基づいて,既存のncdアプローチを1段階と2段階のメソッドに特徴付ける。
次に、多次元スケーリングの手がかりを用いて、潜在空間における分離性を強制する単純かつ強力な損失関数を考案し、これをスペーシングロスと呼ぶ。
提案する定式化はスタンドアロンのメソッドとして動作するか,あるいは既存のメソッドにプラグインして拡張することができる。
CIFAR-10 と CIFAR-100 データセットの複数の設定に対して徹底的な実験評価を行い,スペーシング損失の有効性を検証した。
関連論文リスト
- Semi-Supervised End-To-End Contrastive Learning For Time Series
Classification [10.635321868623883]
時系列分類は、金融、医療、センサーデータ分析など、さまざまな分野において重要な課題である。
SLOTS(Semi-supervised Learning fOr Time clasSification)と呼ばれるエンドツーエンドモデルを提案する。
論文 参考訳(メタデータ) (2023-10-13T04:22:21Z) - PromptCAL: Contrastive Affinity Learning via Auxiliary Prompts for
Generalized Novel Category Discovery [39.03732147384566]
Generalized Novel Category Discovery (GNCD) 設定は、既知のクラスや新しいクラスから来るラベルなしのトレーニングデータを分類することを目的としている。
本稿では,この課題に対処するために,PromptCALと呼ばれる補助視覚プロンプトを用いたコントラスト親和性学習法を提案する。
提案手法は,クラストークンと視覚的プロンプトのための既知のクラスと新しいクラスのセマンティッククラスタリングを改善するために,信頼性の高いペアワイズサンプル親和性を発見する。
論文 参考訳(メタデータ) (2022-12-11T20:06:14Z) - An Embarrassingly Simple Approach to Semi-Supervised Few-Shot Learning [58.59343434538218]
間接学習の観点から、ラベルなしデータの正負の擬似ラベルを正確に予測するための、単純だが非常に効果的な手法を提案する。
私たちのアプローチは、オフザシェルフ操作のみを使用することで、ほんの数行のコードで実装できます。
論文 参考訳(メタデータ) (2022-09-28T02:11:34Z) - Meta Objective Guided Disambiguation for Partial Label Learning [44.05801303440139]
メタ客観的ガイド型曖昧化(MoGD)を用いたラベル学習のための新しい枠組みを提案する。
MoGDは、小さな検証セットでメタ目標を解くことで、候補ラベルから基底トラスラベルを復元することを目的としている。
提案手法は,通常のSGDを用いた様々なディープネットワークを用いて容易に実装できる。
論文 参考訳(メタデータ) (2022-08-26T06:48:01Z) - Novel Class Discovery without Forgetting [72.52222295216062]
我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。
ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。
CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
論文 参考訳(メタデータ) (2022-07-21T17:54:36Z) - Unsupervised Space Partitioning for Nearest Neighbor Search [6.516813715425121]
本稿では,個別の損失関数を用いて分割処理と学習段階を結合するエンドツーエンド学習フレームワークを提案する。
提案したソリューションの重要な利点は、データセットの高価な事前処理を必要としないことです。
提案手法は,最先端空間分割法とユビキタスK平均クラスタリング法に勝ることを示す。
論文 参考訳(メタデータ) (2022-06-16T11:17:03Z) - Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。
これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
論文 参考訳(メタデータ) (2021-06-20T17:34:55Z) - Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。
まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。
第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
論文 参考訳(メタデータ) (2021-01-20T11:48:12Z) - Dual-Refinement: Joint Label and Feature Refinement for Unsupervised
Domain Adaptive Person Re-Identification [51.98150752331922]
Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。
オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。
本手法は最先端手法を大きなマージンで上回っている。
論文 参考訳(メタデータ) (2020-12-26T07:35:35Z)
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。