論文の概要: Uncertainty-based Network for Few-shot Image Classification
- arxiv url: http://arxiv.org/abs/2205.08157v1
- Date: Tue, 17 May 2022 07:49:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-18 21:48:31.677880
- Title: Uncertainty-based Network for Few-shot Image Classification
- Title(参考訳): 不確実性に基づく少数撮影画像分類ネットワーク
- Authors: Minglei Yuan, Qian Xu, Chunhao Cai, Yin-Dong Zheng, Tao Wang, Tong Lu
- Abstract要約: 相互情報の助けを借りて分類結果の不確実性をモデル化する不確実性ベースネットワークを提案する。
不確実性に基づくネットワークは,最先端手法と比較して,分類精度に匹敵する性能を示した。
- 参考スコア(独自算出の注目度): 17.912365063048263
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The transductive inference is an effective technique in the few-shot learning
task, where query sets update prototypes to improve themselves. However, these
methods optimize the model by considering only the classification scores of the
query instances as confidence while ignoring the uncertainty of these
classification scores. In this paper, we propose a novel method called
Uncertainty-Based Network, which models the uncertainty of classification
results with the help of mutual information. Specifically, we first data
augment and classify the query instance and calculate the mutual information of
these classification scores. Then, mutual information is used as uncertainty to
assign weights to classification scores, and the iterative update strategy
based on classification scores and uncertainties assigns the optimal weights to
query instances in prototype optimization. Extensive results on four benchmarks
show that Uncertainty-Based Network achieves comparable performance in
classification accuracy compared to state-of-the-art method.
- Abstract(参考訳): トランスダクティブ推論は、クエリセットがプロトタイプを更新して改善する、数ショットの学習タスクにおいて効果的なテクニックである。
しかし、これらの手法は、クエリインスタンスの分類スコアのみを信頼度として考慮しながら、これらの分類スコアの不確実性を無視してモデルを最適化する。
本稿では,相互情報を用いて分類結果の不確かさをモデル化する,不確実性に基づくネットワークという新しい手法を提案する。
具体的には,クエリインスタンスの拡張と分類を行い,これらの分類スコアの相互情報を計算する。
そして、分類スコアに重みを割り当てる不確実性として相互情報を使用し、プロトタイプ最適化において、分類スコアと不確実性に基づく反復更新戦略がクエリインスタンスに最適な重みを割り当てる。
4つのベンチマークの結果から,Uncertainty-Based Networkは最先端の手法と比較して,分類精度に匹敵する性能を示した。
関連論文リスト
- Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。
固体アンサンブル分類器を構築するためのプール選択戦略が提示される。
我々は異常検出手法の不確実性を利用する。
論文 参考訳(メタデータ) (2022-12-23T00:50:41Z) - Learning Acceptance Regions for Many Classes with Anomaly Detection [19.269724165953274]
既存の集合値分類法の多くは、トレーニングデータに現れない新しいクラスがテストデータに現れる可能性を考慮していない。
テストデータに新しいクラスが存在する可能性を考慮しつつ,受入領域を推定する汎用予測セット(GPS)手法を提案する。
従来の手法とは異なり,提案手法は精度,効率,異常検出率のバランスが良好である。
論文 参考訳(メタデータ) (2022-09-20T19:40:33Z) - When in Doubt: Improving Classification Performance with Alternating
Normalization [57.39356691967766]
分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。
CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。
多様な分類課題にまたがってその効果を実証的に示す。
論文 参考訳(メタデータ) (2021-09-28T02:55:42Z) - Unbiased Subdata Selection for Fair Classification: A Unified Framework
and Scalable Algorithms [0.8376091455761261]
このフレームワーク内の多くの分類モデルが混合整数凸プログラムとして再キャストできることを示した。
そして,提案問題において,分類結果の「解決不能な部分データ選択」が強く解決可能であることを示す。
これにより、分類インスタンスを解決するための反復精錬戦略(IRS)の開発を動機付けます。
論文 参考訳(メタデータ) (2020-12-22T21:09:38Z) - Predicting Classification Accuracy When Adding New Unobserved Classes [8.325327265120283]
そこで本研究では,より大規模で未観測のクラスに対して,期待する精度を推定するために,分類器の性能をどのように利用することができるかを検討する。
ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
論文 参考訳(メタデータ) (2020-10-28T14:37:25Z) - A Skew-Sensitive Evaluation Framework for Imbalanced Data Classification [11.125446871030734]
不均衡なデータセットのクラス分布スキューは、多数派クラスに対する予測バイアスのあるモデルにつながる可能性がある。
本稿では,不均衡なデータ分類のための簡易かつ汎用的な評価フレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-12T19:47:09Z) - Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。
画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-09T12:26:27Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-15T10:08:39Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳(メタデータ) (2020-02-27T10:22:17Z) - Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。
任意の関数に対するランダム化スムージングの統一的なビューを示す。
本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
論文 参考訳(メタデータ) (2020-02-07T21:28:30Z)
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。