Fugu-MT 論文翻訳(概要): MetaSSD: Meta-Learned Self-Supervised Detection

論文の概要: MetaSSD: Meta-Learned Self-Supervised Detection

arxiv url: http://arxiv.org/abs/2205.15271v1
Date: Mon, 30 May 2022 17:27:53 GMT
ステータス: 処理完了
システム内更新日: 2022-05-31 18:00:15.791298
Title: MetaSSD: Meta-Learned Self-Supervised Detection
Title（参考訳）: MetaSSD:メタラーニングによる自己監視検出
Authors: Moon Jeong Park, Jungseul Ok, Yo-Seb Jeon and Dongwoo Kim
Abstract要約: そこで我々はメタSSDというメタラーニングに基づく自己教師型シンボル検出器を提案する。 a)メタ学習は、様々なメタトレーニング環境の経験に基づいて、モデルが新しいチャネル環境に適応するのに役立つ。
参考スコア（独自算出の注目度）: 8.903050847530476
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning-based symbol detector gains increasing attention due to the simple algorithm design than the traditional model-based algorithms such as Viterbi and BCJR. The supervised learning framework is often employed to predict the input symbols, where training symbols are used to train the model. There are two major limitations in the supervised approaches: a) a model needs to be retrained from scratch when new train symbols come to adapt to a new channel status, and b) the length of the training symbols needs to be longer than a certain threshold to make the model generalize well on unseen symbols. To overcome these challenges, we propose a meta-learning-based self-supervised symbol detector named MetaSSD. Our contribution is two-fold: a) meta-learning helps the model adapt to a new channel environment based on experience with various meta-training environments, and b) self-supervised learning helps the model to use relatively less supervision than the previously suggested learning-based detectors. In experiments, MetaSSD outperforms OFDM-MMSE with noisy channel information and shows comparable results with BCJR. Further ablation studies show the necessity of each component in our framework.
Abstract（参考訳）: 深層学習に基づくシンボル検出器は、ビタビやBCJRのような従来のモデルベースアルゴリズムよりも単純なアルゴリズム設計により注目される。教師付き学習フレームワークは、モデルのトレーニングにトレーニングシンボルを使用する入力シンボルを予測するためによく使用される。教師付きアプローチには2つの大きな制限がある。 a) 新しい列車のシンボルが新しいチャンネルのステータスに適応するときは、モデルをスクラッチから再訓練する必要がある。 b) トレーニングシンボルの長さは、モデルが見当たらないシンボルにうまく一般化するために、一定のしきい値よりも長いことが必要である。これらの課題を克服するために,メタラーニングに基づく自己教師付きシンボル検出器metassdを提案する。私たちの貢献は2つあります。 a) メタ学習は、様々なメタ学習環境の経験に基づく新しいチャネル環境への適応を支援し、 b) 自己指導型学習は、従来提案されていた学習に基づく検知器よりも比較的少ない監督力の使用を支援する。実験では、MetaSSDはOFDM-MMSEよりもノイズの多いチャネル情報で優れ、BCJRと同等の結果を示す。さらなるアブレーション研究により,各成分の必要性が示された。

関連論文リスト

Meta-UAD: A Meta-Learning Scheme for User-level Network Traffic Anomaly Detection [15.038762892493219]
ユーザレベルのネットワークトラフィック異常検出のためのメタラーニング手法である textitMeta-UAD を提案する。我々はCICFlowMeterを使って81のフローレベルの統計的特徴を抽出し、いくつかの無効な特徴を取り除く。既存のモデルと比較すると,Meta-UADはF1スコアで15%から43%向上した。
論文参考訳（メタデータ） (2024-08-30T06:05:15Z)
Bidirectional Trained Tree-Structured Decoder for Handwritten Mathematical Expression Recognition [51.66383337087724]
Handwriting Mathematical Expression Recognition (HMER) タスクは、OCRの分野における重要な分岐である。近年の研究では、双方向コンテキスト情報の導入により、HMERモデルの性能が大幅に向上することが示されている。本稿では,MF-SLT と双方向非同期トレーニング (BAT) 構造を提案する。
論文参考訳（メタデータ） (2023-12-31T09:24:21Z)
Unsupervised Representation Learning to Aid Semi-Supervised Meta Learning [16.534014215010757]
トレーニングサンプルの潜在表現を学習するために,一発の教師なしメタラーニングを提案する。メタラーニングの内ループでは、温度スケールのクロスエントロピー損失を使用し、オーバーフィッティングを防止する。提案手法はモデル非依存であり, どんなメタ学習モデルでも精度を向上させることができる。
論文参考訳（メタデータ） (2023-10-19T18:25:22Z)
Meta-Learning with Self-Improving Momentum Target [72.98879709228981]
メタラーナーの性能を向上させるために,SiMT(Self-improving Momentum Target)を提案する。 SiMTはメタラーナーの時間アンサンブルから適応してターゲットモデルを生成する。我々は、SiMTが幅広いメタ学習手法と組み合わせることで、大きなパフォーマンス向上をもたらすことを示す。
論文参考訳（メタデータ） (2022-10-11T06:45:15Z)
MetaNOR: A Meta-Learnt Nonlocal Operator Regression Approach for Metamaterial Modeling [9.728866368825072]
非局所演算子回帰に基づく移動学習演算子のためのメタ学習手法であるMetaNORを提案する。全体的な目標は、新しい未知の教材学習タスクのサロゲートモデルを効率的に提供することである。
論文参考訳（メタデータ） (2022-06-04T18:27:05Z)
Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。本フレームワークは,既存のUSOD法と比較して高い性能を示した。
論文参考訳（メタデータ） (2021-12-07T11:54:06Z)
Benchmarking Detection Transfer Learning with Vision Transformers [60.97703494764904]
オブジェクト検出メソッドの複雑さは、ViT(Vision Transformer)モデルのような新しいアーキテクチャが到着するときに、ベンチマークを非簡単にする。本研究では,これらの課題を克服し,標準的なVTモデルをMask R-CNNのバックボーンとして活用する訓練手法を提案する。その結果,最近のマスキングに基づく教師なし学習手法は,COCOにおける説得力のあるトランスファー学習改善をもたらす可能性が示唆された。
論文参考訳（メタデータ） (2021-11-22T18:59:15Z)
Signal Transformer: Complex-valued Attention and Meta-Learning for Signal Recognition [33.178794056273304]
本稿では,理論収束保証を伴う一般の非評価問題に対して,CAMEL(complex-valued Attentional MEta Learner)を提案する。本報告では, 状態が小さい場合に, 提案したデータ認識実験の優位性を示す。
論文参考訳（メタデータ） (2021-06-05T03:57:41Z)
On Fast Adversarial Robustness Adaptation in Model-Agnostic Meta-Learning [100.14809391594109]
モデルに依存しないメタラーニング(MAML)は、数発の学習において最も成功したメタラーニング手法の1つである。メタモデルの一般化力にもかかわらず、マルチショット学習においてMDLがいかに敵対的堅牢性を維持することができるかは明らかではない。本稿では,ラベルなしデータ拡張,高速な攻撃生成,計算量軽微な微調整を可能にする,汎用的かつ最適化が容易なロバストネス正規化メタラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2021-02-20T22:03:04Z)
B-SMALL: A Bayesian Neural Network approach to Sparse Model-Agnostic Meta-Learning [2.9189409618561966]
本稿では,b-smallアルゴリズムと呼ぶベイズ型ニューラルネットワークに基づくmamlアルゴリズムを提案する。分類タスクと回帰タスクを用いたB-MAMLのパフォーマンスを実証し、MDLを用いたスパーシファイングBNNのトレーニングがモデルのパラメータフットプリントを実際に改善することを強調した。
論文参考訳（メタデータ） (2021-01-01T09:19:48Z)
MELD: Meta-Reinforcement Learning from Images via Latent State Models [109.1664295663325]
我々は,遅延状態モデルで推論を行う画像からメタRLのアルゴリズムを開発し,新しいスキルを素早く獲得する。 MELDは、画像から現実のロボット制御設定でトレーニングされた最初のメタRLアルゴリズムである。
論文参考訳（メタデータ） (2020-10-26T23:50:30Z)

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。