論文の概要: Diagnosing Ensemble Few-Shot Classifiers

• arxiv url: http://arxiv.org/abs/2206.04372v1
• Date: Thu, 9 Jun 2022 09:29:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-10 15:27:28.433862
• Title: Diagnosing Ensemble Few-Shot Classifiers
• Title（参考訳）: アンサンブル小ショット分類器の診断
• Authors: Weikai Yang and Xi Ye and Xingxing Zhang and Lanxi Xiao and Jiazhi Xia and Zhongyuan Wang and Jun Zhu and Hanspeter Pfister and Shixia Liu
• Abstract要約: そこで本研究では,視覚解析手法であるFSLDiagnotorを提案し,その原因を解明し,改善する。 2つのケーススタディにより、FSLDiagnotorは、数ショットの分類器を効率的に構築し、精度をそれぞれ12%と21%向上させることを示した。
• 参考スコア（独自算出の注目度）: 69.15270726640723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The base learners and labeled samples (shots) in an ensemble few-shot classifier greatly affect the model performance. When the performance is not satisfactory, it is usually difficult to understand the underlying causes and make improvements. To tackle this issue, we propose a visual analysis method, FSLDiagnotor. Given a set of base learners and a collection of samples with a few shots, we consider two problems: 1) finding a subset of base learners that well predict the sample collections; and 2) replacing the low-quality shots with more representative ones to adequately represent the sample collections. We formulate both problems as sparse subset selection and develop two selection algorithms to recommend appropriate learners and shots, respectively. A matrix visualization and a scatterplot are combined to explain the recommended learners and shots in context and facilitate users in adjusting them. Based on the adjustment, the algorithm updates the recommendation results for another round of improvement. Two case studies are conducted to demonstrate that FSLDiagnotor helps build a few-shot classifier efficiently and increases the accuracy by 12% and 21%, respectively.
• Abstract（参考訳）: アンサンブル数ショット分類器のベース学習者とラベル付きサンプル(ショット)はモデル性能に大きな影響を及ぼす。 パフォーマンスが満足できない場合、基礎となる原因を理解して改善を行うことは、通常困難である。 そこで本研究では,視覚解析手法であるFSLDiagnotorを提案する。 基礎学習者のセットと数ショットのサンプルの集合を考えると、我々は2つの問題を考える。 1)サンプルコレクションを適切に予測する基礎学習者のサブセットを見つけること。 2) サンプルコレクションを適切に表現するために,低品質ショットをより代表的なショットに置き換える。 両問題をスパースサブセット選択として定式化し、それぞれ適切な学習者とショットを推薦する2つの選択アルゴリズムを開発する。 マトリックスビジュアライゼーションと散乱プロットを組み合わせることで、推奨学習者とショットを文脈で説明し、ユーザによる調整を容易にする。 調整に基づいて、アルゴリズムは別の改善のための推奨結果を更新する。 2つのケーススタディにより,fsldiagnotorは数発の分類器を効率的に構築し,それぞれ12%,21%の精度向上を実現した。

関連論文リスト

• Bias Amplification Enhances Minority Group Performance [10.380812738348899]
  本稿では,新しい2段階学習アルゴリズムであるBAMを提案する。 第1段階では、各トレーニングサンプルに対して学習可能な補助変数を導入することにより、バイアス増幅方式を用いてモデルを訓練する。 第2段階では、バイアス増幅モデルが誤分類したサンプルを重み付けし、その後、再重み付けされたデータセット上で同じモデルをトレーニングし続けます。
  論文  参考訳（メタデータ） (2023-09-13T04:40:08Z)
• ProBoost: a Boosting Method for Probabilistic Classifiers [55.970609838687864]
  ProBoostは確率的分類器のための新しいブースティングアルゴリズムである。 各トレーニングサンプルの不確実性を使用して、最も困難で不確実なものを決定する。 これは、最も不確実性が高いと判明したサンプルに徐々に焦点をあてる配列を生成する。
  論文  参考訳（メタデータ） (2022-09-04T12:49:20Z)
• Ortho-Shot: Low Displacement Rank Regularization with Data Augmentation for Few-Shot Learning [23.465747123791772]
  少数の分類において、第一の目的は、新しいクラスをうまく一般化する表現を学ぶことである。 オルソショット(Ortho-Shot)と呼ばれる効率的な低変位ランク(LDR)正規化戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-18T14:58:36Z)
• Revisiting Deep Local Descriptor for Improved Few-Shot Classification [56.74552164206737]
  textbfDense textbfClassification と textbfAttentive textbfPooling を利用して埋め込みの質を向上させる方法を示す。 広範に使われているグローバル平均プール (GAP) の代わりに, 注意深いプールを施し, 特徴マップをプールすることを提案する。
  論文  参考訳（メタデータ） (2021-03-30T00:48:28Z)
• Contrastive Prototype Learning with Augmented Embeddings for Few-Shot Learning [58.2091760793799]
  拡張埋め込み(CPLAE)モデルを用いた新しいコントラスト型プロトタイプ学習を提案する。 クラスプロトタイプをアンカーとして、CPLは、同じクラスのクエリサンプルを、異なるクラスのサンプルを、さらに遠くに引き出すことを目的としている。 いくつかのベンチマークによる大規模な実験により,提案したCPLAEが新たな最先端を実現することが示された。
  論文  参考訳（メタデータ） (2021-01-23T13:22:44Z)
• Are Fewer Labels Possible for Few-shot Learning? [81.89996465197392]
  ごく限られたデータとラベルのため、わずかなショット学習は難しい。 近年のBiT (Big Transfer) 研究は、異なる領域における大規模ラベル付きデータセットの事前トレーニングによって、少数ショット学習が大きな恩恵を受けることを示した。 本稿では,ファインチューニングにおけるクラスタリングと固有サンプルの共進化を活かし,ショット学習の削減を図る。
  論文  参考訳（メタデータ） (2020-12-10T18:59:29Z)
• Inverse Classification with Limited Budget and Maximum Number of Perturbed Samples [18.76745359031975]
  逆分類は、最初に予測されたクラスを変更するサンプルの入力特徴の変化を見つけるためのポストモデリングプロセスである。 本研究では,摂動サンプル数を最大化する逆分類法を提案する。 我々は、勾配法、プロセス、ラグランジュ緩和、ガンベルトリックに基づいて、この問題を解決するアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-09-29T15:52:10Z)
• Few-shot Learning with LSSVM Base Learner and Transductive Modules [20.323443723115275]
  計算オーバーヘッドの少ない既存のものよりも優れた生成を実現するベース学習機として,マルチクラス最小二乗支援ベクトルマシンを導入している。 また、クエリーサンプルを使用してサポートセットを変更する、シンプルで効果的なトランスダクティブモジュールを2つ提案する。 我々のモデルはFSLSTMと呼ばれ、MiniImageNetとCIFAR-FSによる数ショット学習ベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-09-12T13:16:55Z)
• Few-shot Classification via Adaptive Attention [93.06105498633492]
  ごく少数の参照サンプルに基づいて,クエリサンプル表現を最適化し,高速に適応する新しい数ショット学習手法を提案する。 実験で実証したように,提案モデルでは,様々なベンチマーク数ショット分類と微粒化認識データセットを用いて,最先端の分類結果を達成している。
  論文  参考訳（メタデータ） (2020-08-06T05:52:59Z)

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。