Fugu-MT 論文翻訳(概要): Mean Field inference of CRFs based on GAT

論文の概要: Mean Field inference of CRFs based on GAT

arxiv url: http://arxiv.org/abs/2205.15312v1
Date: Sun, 29 May 2022 05:47:56 GMT
ステータス: 処理完了
システム内更新日: 2022-06-04 16:12:31.977487
Title: Mean Field inference of CRFs based on GAT
Title（参考訳）: GATに基づくCRFの平均場推定
Authors: LingHong Xing, XiangXiang Ma, GuangSheng Luo
Abstract要約: 完全連結CRFモデルに対する平均場推論アルゴリズムを提案する。改良されたメッセージパッシング操作は、元の線形畳み込みから現在のグラフアテンション操作に変更される。モデルアプローチは、ピクセルレベルのイメージセマンティックセグメンテーションタスクやテキストアノテーションタスクなど、すべてのシーケンスアノテーションタスクに適用できる。
参考スコア（独自算出の注目度）: 0.8701566919381223
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper we propose an improved mean-field inference algorithm for the fully connected paired CRFs model. The improved method Message Passing operation is changed from the original linear convolution to the present graph attention operation, while the process of the inference algorithm is turned into the forward process of the GAT model. Combined with the mean-field inferred label distribution, it is equivalent to the output of a classifier with only unary potential. To this end, we propose a graph attention network model with residual structure, and the model approach is applicable to all sequence annotation tasks, such as pixel-level image semantic segmentation tasks as well as text annotation tasks.
Abstract（参考訳）: 本稿では,完全連結対crfsモデルに対する平均場推定法の改良を提案する。改良された方法では、メッセージパッシング操作を元の線形畳み込みから現在のグラフアテンション操作に変更し、推論アルゴリズムの処理をGATモデルの前方処理に変換する。平均場推定ラベル分布と組み合わせると、単項ポテンシャルのみを持つ分類器の出力と同値である。そこで本研究では,残差構造を有するグラフ注意ネットワークモデルを提案し,ピクセルレベルの画像意味セグメンテーションタスクやテキストアノテーションタスクなど,すべてのシーケンスアノテーションタスクに適用可能なモデルアプローチを提案する。

関連論文リスト

Interpretable Network Visualizations: A Human-in-the-Loop Approach for Post-hoc Explainability of CNN-based Image Classification [5.087579454836169]
State-of-the-art explainability Method は、特定のクラスが特定された場所を示すために、サリエンシマップを生成する。本稿では,畳み込みニューラルネットワークの機能抽出プロセス全体を説明するポストホック手法を提案する。また,複数の画像にラベルを集約することで,グローバルな説明を生成する手法を提案する。
論文参考訳（メタデータ） (2024-05-06T09:21:35Z)
Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文参考訳（メタデータ） (2024-03-11T06:34:05Z)
Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
論文参考訳（メタデータ） (2023-07-06T15:19:53Z)
Cross-Inferential Networks for Source-free Unsupervised Domain Adaptation [17.718392065388503]
クロス推論ネットワーク (CIN) と呼ばれる新しい手法を提案する。主な考え方は、符号化された特徴からサンプルラベルを予測するためにネットワークモデルを適用する際に、これらの予測結果を用いて、派生したラベルを用いた新しいトレーニングサンプルを構築することである。ベンチマークデータを用いた実験の結果,提案手法により,ソースフリーなUDAの性能が大幅に向上することが示された。
論文参考訳（メタデータ） (2023-06-29T14:04:24Z)
Progressive Sub-Graph Clustering Algorithm for Semi-Supervised Domain Adaptation Speaker Verification [17.284276598514502]
マルチモデル投票と二重ガウスに基づく評価に基づく新しいプログレッシブサブグラフクラスタリングアルゴリズムを提案する。破滅的なクラスタリング結果を防止するため、段階的にkを増大させ、二重ガウスに基づく評価アルゴリズムを用いる反復的手法を採用する。
論文参考訳（メタデータ） (2023-05-22T04:26:18Z)
Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文参考訳（メタデータ） (2022-02-28T15:53:10Z)
Semantic Segmentation by Improved Generative Adversarial Networks [0.0]
画像セマンティックセグメンテーションタスクの効果的な改善ソリューションとして、Convolutional CRF(ConvCRF)を紹介します。提案手法は,入力画像から対応する出力画像へのエンドツーエンドマッピングを学習するだけでなく,このマッピングをトレーニングするための損失関数も学習する。
論文参考訳（メタデータ） (2021-04-20T11:59:29Z)
Generating Attribution Maps with Disentangled Masked Backpropagation [22.065454879517326]
モデル関数を異なる線形写像に分解するために、DMBP(Disentangled Masked Backpropagation)を導入する。 DMBPは従来の手法よりも視覚的に解釈可能な属性マップを生成する。提案手法により生成された地図は,最終的なネットワーク出力に対する各画素の真の寄与とより一致していることを示す。
論文参考訳（メタデータ） (2021-01-17T20:32:14Z)
Explanation-Guided Training for Cross-Domain Few-Shot Classification [96.12873073444091]
クロスドメイン・ショット分類タスク(CD-FSC)は、データセットで表されるドメインをまたいで一般化する要件と、少数ショット分類を組み合わせたものである。既存のFSCモデルに対する新しいトレーニング手法を提案する。説明誘導学習はモデル一般化を効果的に改善することを示す。
論文参考訳（メタデータ） (2020-07-17T07:28:08Z)
Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文参考訳（メタデータ） (2020-07-13T03:27:45Z)
Feature Transformation Ensemble Model with Batch Spectral Regularization for Cross-Domain Few-Shot Classification [66.91839845347604]
特徴抽出ネットワークの後に多様な特徴変換を行うことにより,アンサンブル予測モデルを提案する。我々は,事前学習中に特徴行列の特異値を抑制するために,バッチスペクトル正規化項を用い,モデルの一般化能力を向上させる。提案したモデルは、ターゲット領域で微調整して、数発の分類に対処することができる。
論文参考訳（メタデータ） (2020-05-18T05:31:04Z)

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。