Fugu-MT 論文翻訳(概要): Contrastive Learning for Online Semi-Supervised General Continual Learning

論文の概要: Contrastive Learning for Online Semi-Supervised General Continual Learning

arxiv url: http://arxiv.org/abs/2207.05615v1
Date: Tue, 12 Jul 2022 15:32:00 GMT
ステータス: 処理完了
システム内更新日: 2022-07-13 13:01:04.267523
Title: Contrastive Learning for Online Semi-Supervised General Continual Learning
Title（参考訳）: オンライン半教師付き連続学習のためのコントラスト学習
Authors: Nicolas Michel, Romain Negrel, Giovanni Chierchia, Jean-Fran\c{c}ois Bercher
Abstract要約: ラベルを欠いたオンライン連続学習について検討し、部分的にラベル付けされたデータを対象とした新たなコントラスト損失であるSemiConを提案する。メモリに付加されるすべてのデータをオラクルを使ってラベル付けする、ラベルのないデータストリームでトレーニングされたメモリベースの手法を考案することで、その効率を実証する。
参考スコア（独自算出の注目度）: 8.868276505511922
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study Online Continual Learning with missing labels and propose SemiCon, a new contrastive loss designed for partly labeled data. We demonstrate its efficiency by devising a memory-based method trained on an unlabeled data stream, where every data added to memory is labeled using an oracle. Our approach outperforms existing semi-supervised methods when few labels are available, and obtain similar results to state-of-the-art supervised methods while using only 2.6% of labels on Split-CIFAR10 and 10% of labels on Split-CIFAR100.
Abstract（参考訳）: ラベルの欠落したオンライン連続学習について検討し,部分的なラベル付きデータに対する新しいコントラスト損失であるsemiconを提案する。我々は、ラベルのないデータストリームでトレーニングされたメモリベースのメソッドを考案することで、その効率を実証する。提案手法は,スプリット・シファー100のラベルの2.6%,スプリット・シファー100のラベルの10%のみを用いて,既存の半教師あり方式よりも優れている。

関連論文リスト

Impact of Strategic Sampling and Supervision Policies on Semi-supervised Learning [23.4909421082857]
半教師付き表現学習フレームワークでは、ラベル付きデータの数が極めて少ない場合には、これらのサンプルの品質と代表性がますます重要になる。半教師付き学習に関する既存の文献は、ラベル付けのための限られた数のデータポイントをランダムにサンプリングする。これらのラベル付きサンプルは、トレーニングプロセス全体を通して、未ラベルのデータとともに使用される。
論文参考訳（メタデータ） (2022-11-27T18:29:54Z)
Cross-client Label Propagation for Transductive and Semi-Supervised Federated Learning [18.422153315741134]
XCLPは、複数のクライアントのデータからデータグラフを共同で推定し、ラベル情報をグラフ全体に伝播することによりラベル付きデータのラベルを算出する。クライアントがデータを誰とでも共有することを避けるため、XCLPは2つの暗号的にセキュアなプロトコルを採用している。
論文参考訳（メタデータ） (2022-10-12T17:33:47Z)
Spacing Loss for Discovering Novel Categories [72.52222295216062]
新たなクラスディスカバリ(NCD)は、マシンラーニングモデルがラベルのないデータからインスタンスを意味的にグループ化する、学習パラダイムである。まず,ラベル付きデータとラベルなしデータを併用する必要があるかどうかに基づいて,既存のNCD手法を1段階および2段階の手法に特徴付ける。多次元スケーリングのキューを用いて、潜在空間における分離性を強制する単純で強力な損失関数を考案する。
論文参考訳（メタデータ） (2022-04-22T09:37:11Z)
GuidedMix-Net: Semi-supervised Semantic Segmentation by Using Labeled Images as Reference [90.5402652758316]
半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。ラベル付き情報を使用して、ラベルなしのインスタンスの学習をガイドする。競合セグメンテーションの精度を達成し、mIoUを以前のアプローチに比べて+7$%大きく改善する。
論文参考訳（メタデータ） (2021-12-28T06:48:03Z)
HIERMATCH: Leveraging Label Hierarchies for Improving Semi-Supervised Learning [4.576080539427073]
HIERMATCHは、階層的な情報を活用してラベリングコストを削減し、バニラ半教師付き学習法と同様に機能する半教師付きアプローチである。 CIFAR-100とNABirdsという2つのベンチマークデータセットに対するHIERMATCHの有効性を評価する。
論文参考訳（メタデータ） (2021-10-30T03:48:49Z)
Re-distributing Biased Pseudo Labels for Semi-supervised Semantic Segmentation: A Baseline Investigation [30.688753736660725]
疑似ラベルを生成するために,DARS法とDARS法を提案する。我々の手法は最先端の手法と比較して好適に機能する。
論文参考訳（メタデータ） (2021-07-23T14:45:14Z)
OpenCoS: Contrastive Semi-supervised Learning for Handling Open-set Unlabeled Data [65.19205979542305]
ラベル付けされていないデータには、実際にはクラス外のサンプルが含まれる。 OpenCoSは、このリアルな半教師付き学習シナリオを扱う方法である。
論文参考訳（メタデータ） (2021-06-29T06:10:05Z)
GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as Reference [153.354332374204]
半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。 MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
論文参考訳（メタデータ） (2021-06-29T02:48:45Z)
ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for Semi-supervised Continual Learning [52.831894583501395]
連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。 ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
論文参考訳（メタデータ） (2021-01-02T09:04:14Z)
Federated Semi-Supervised Learning with Inter-Client Consistency & Disjoint Learning [78.88007892742438]
ラベル付きデータの位置に基づくFSSL(Federated Semi-Supervised Learning)の2つの重要なシナリオについて検討する。フェデレートマッチング(FedMatch)と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2020-06-22T09:43:41Z)

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。