論文の概要: Exploring the Open World Using Incremental Extreme Value Machines

• arxiv url: http://arxiv.org/abs/2205.14892v1
• Date: Mon, 30 May 2022 07:21:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-05-31 14:43:54.075498
• Title: Exploring the Open World Using Incremental Extreme Value Machines
• Title（参考訳）: インクリメンタル・エクストリーム・バリューマシンによるオープンワールドの探索
• Authors: Tobias Koch, Felix Liebezeit, Christian Riess, Vincent Christlein, Thomas K\"ohler
• Abstract要約: オープンワールド認識は、私たちの知る限りでは、いくつかの方法によってのみ対処される、要求の多いタスクです。 この研究は、広く知られているExtreme Value Machineの修正を導入し、オープンワールドの認識を可能にした。 提案手法は,画像分類と顔認識のタスクにおいて,約12%の精度と計算効率を向上する。
• 参考スコア（独自算出の注目度）: 11.3660790934494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic environments require adaptive applications. One particular machine learning problem in dynamic environments is open world recognition. It characterizes a continuously changing domain where only some classes are seen in one batch of the training data and such batches can only be learned incrementally. Open world recognition is a demanding task that is, to the best of our knowledge, addressed by only a few methods. This work introduces a modification of the widely known Extreme Value Machine (EVM) to enable open world recognition. Our proposed method extends the EVM with a partial model fitting function by neglecting unaffected space during an update. This reduces the training time by a factor of 28. In addition, we provide a modified model reduction using weighted maximum K-set cover to strictly bound the model complexity and reduce the computational effort by a factor of 3.5 from 2.1 s to 0.6 s. In our experiments, we rigorously evaluate openness with two novel evaluation protocols. The proposed method achieves superior accuracy of about 12 % and computational efficiency in the tasks of image classification and face recognition.
• Abstract（参考訳）: 動的環境は適応的応用を必要とする。 動的環境における機械学習問題の一つはオープンワールド認識である。 トレーニングデータの1つのバッチにいくつかのクラスしか見られず、そのようなバッチはインクリメンタルにしか学習できない、連続的に変化するドメインを特徴付ける。 オープンワールド認識は、私たちの知る限りでは、いくつかの方法によってのみ対処される、要求の多いタスクです。 本研究は、オープンワールド認識を可能にするために広く知られているextreme value machine(evm)の修正を導入する。 提案手法は,更新時に影響のない空間を無視することにより,部分モデル適合関数でEVMを拡張した。 これによりトレーニング時間は28パーセント削減される。 さらに,重み付き最大k集合被覆を用いてモデル複雑性を厳密に拘束し,3.5倍の計算量を2.1 sから0.6 sに削減する修正モデル還元法を提案する。 実験では2つの新しい評価プロトコルを用いて開度を厳格に評価した。 提案手法は,画像分類と顔認識のタスクにおいて,約12%の精度と計算効率を向上する。

関連論文リスト

• Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
  インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。 本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。 本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
  論文  参考訳（メタデータ） (2025-07-31T05:34:27Z)
• LifelongPR: Lifelong knowledge fusion for point cloud place recognition based on replay and prompt learning [15.464706470200337]
  ポイントクラウドプレース認識(PCPR)は、フォトグラメトリーやロボティクスの応用において重要な役割を担っている。 既存のPCPRモデルは、しばしば破滅的な忘れ込みに悩まされ、性能が著しく低下する。 本稿では,PCPRの新しい連続学習フレームワークであるLifelongPRを提案する。
  論文  参考訳（メタデータ） (2025-07-14T08:13:33Z)
• Smooth-Distill: A Self-distillation Framework for Multitask Learning with Wearable Sensor Data [0.0]
  本稿では,人間の活動認識(HAR)とセンサ配置検出を同時に行うように設計された,新しい自己蒸留フレームワークであるSmooth-Distillを紹介する。 従来の蒸留法とは異なり, 提案手法では, モデル自体のスムーズな歴史バージョンを教師として利用している。 実験結果から,Smooth-Distill は異なる評価シナリオにおける代替手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-06-27T06:51:51Z)
• OpenworldAUC: Towards Unified Evaluation and Optimization for Open-world Prompt Tuning [86.20909814421748]
  現実世界のシナリオでは、事前のドメイン知識なしに入力を処理するモデルが必要です。 ペアのインスタンス比較による検出と分類を評価する指標であるOpenworldAUCを提案する。 オープンワールドシナリオにおける15のベンチマークの実験は、OpenworldAUCがOpenworldAUCや他のメトリクスでSOTAのパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2025-05-08T12:31:40Z)
• Effects of Common Regularization Techniques on Open-Set Recognition [1.8749305679160366]
  正規化手法はオープンセット認識性能を大幅に向上させることができることを示す。 精度とオープンセットのパフォーマンスの関係に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2024-09-03T21:09:26Z)
• Adaptive Rentention & Correction for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• Informed Decision-Making through Advancements in Open Set Recognition and Unknown Sample Detection [0.0]
  オープンセット認識(OSR)は、より現実に近い状況に分類タスクを導入することを目的としている。 本研究は,OSRタスクの分類を改善するために,特徴空間の新たな表現を探索するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-05-09T15:15:34Z)
• Optimization Efficient Open-World Visual Region Recognition [55.76437190434433]
  RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。 オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-11-02T16:31:49Z)
• Sample Less, Learn More: Efficient Action Recognition via Frame Feature Restoration [59.6021678234829]
  本稿では,2つのスパースサンプリングおよび隣接するビデオフレームの中間特徴を復元する新しい手法を提案する。 提案手法の統合により, 一般的な3つのベースラインの効率は50%以上向上し, 認識精度は0.5%低下した。
  論文  参考訳（メタデータ） (2023-07-27T13:52:42Z)
• Deep Active Ensemble Sampling For Image Classification [8.31483061185317]
  アクティブラーニングフレームワークは、最も有益なデータポイントのラベル付けを積極的に要求することで、データアノテーションのコストを削減することを目的としている。 提案手法には、不確実性に基づく手法、幾何学的手法、不確実性に基づく手法と幾何学的手法の暗黙の組み合わせなどがある。 本稿では, サンプル選択戦略における効率的な探索・探索トレードオフを実現するために, 不確実性に基づくフレームワークと幾何学的フレームワークの両方の最近の進歩を革新的に統合する。 本フレームワークは,(1)正確な後続推定,(2)計算オーバーヘッドと高い精度のトレードオフの2つの利点を提供する。
  論文  参考訳（メタデータ） (2022-10-11T20:20:20Z)
• Open Long-Tailed Recognition in a Dynamic World [82.91025831618545]
  実世界のデータは、しばしば長い尾を持ち、(目に見えないクラスを持つ)オープンな分布を示す。 現実的な認識システムは、多数派(頭)クラスと少数派(尾)クラスの間でバランスを取り、分布を一般化し、見知らぬクラス(オープンクラス)のインスタンスで新規性を認める必要がある。 我々は,Open Long-Tailed Recognition++を,このような自然分布データからの学習として定義し,バランスの取れたテストセット上での分類精度を最適化する。
  論文  参考訳（メタデータ） (2022-08-17T15:22:20Z)
• Bayesian Embeddings for Few-Shot Open World Recognition [60.39866770427436]
  埋め込みベースの数ショット学習アルゴリズムをオープンワールド認識設定に拡張する。 当社のフレームワークは,MiniImageNetとTieredImageNetによる数ショット学習データセットのオープンワールド拡張をベンチマークする。
  論文  参考訳（メタデータ） (2021-07-29T00:38:47Z)
• Incremental Learning from Low-labelled Stream Data in Open-Set Video Face Recognition [0.0]
  本稿では,深層機能エンコーダとSVMのオープンセット動的アンサンブルを組み合わせた新しいインクリメンタル学習手法を提案する。 本手法は,教師なしの操作データを用いて認識性を向上させる。 結果は、非適応状態の方法に対する最大15%のF1スコア増加の利点を示しています。
  論文  参考訳（メタデータ） (2020-12-17T13:28:13Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)

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。