Fugu-MT 論文翻訳(概要): BYEL : Bootstrap on Your Emotion Latent

論文の概要: BYEL : Bootstrap on Your Emotion Latent

arxiv url: http://arxiv.org/abs/2207.10003v1
Date: Wed, 20 Jul 2022 16:05:56 GMT
ステータス: 処理完了
システム内更新日: 2022-07-21 12:38:11.419304
Title: BYEL : Bootstrap on Your Emotion Latent
Title（参考訳）: BYEL : 感情遅滞者のブートストラップ
Authors: Hyungjun Lee, Hwangyu Lim and Sejoon Lim
Abstract要約: ABAWの学習合成データ(Learning Synthetic Data:LSD)データセットを用いて感情認識型自己指導学習を提案する。我々は、自己教師付き学習としてLSDデータセットに事前学習を行い、同じLSDデータセットを使用して、教師付き学習として感情分類タスクの下流トレーニングを行う。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: According to the problem of dataset construction cost for training in deep learning and the development of generative models, more and more researches are being conducted to train with synthetic data and to inference using real data. We propose emotion aware Self-Supervised Learning using ABAW's Learning Synthetic Data (LSD) dataset. We pre-train our method to LSD dataset as a self-supervised learning and then use the same LSD dataset to do downstream training on the emotion classification task as a supervised learning. As a result, a higher result(0.63) than baseline(0.5) was obtained.
Abstract（参考訳）: ディープラーニングのトレーニングのためのデータセット構築コストの問題と生成モデルの開発により、合成データによるトレーニングと実データを用いた推論のために、ますます多くの研究が行われている。 ABAWの学習合成データ(Learning Synthetic Data:LSD)データセットを用いて感情認識型自己指導学習を提案する。我々は、自己教師付き学習としてLSDデータセットに事前学習を行い、同じLSDデータセットを使用して、教師付き学習として感情分類タスクの下流トレーニングを行う。その結果、ベースライン(0.5)よりも高い結果(0.63)を得た。

関連論文リスト

Behaviour Distillation [10.437472004180883]
我々は、専門家ポリシーのトレーニングに必要な情報を合成データセットに発見・凝縮することを目的とした行動蒸留を定式化する。次に,Halucinating datasets with Evolution Strategies (HaDES)を紹介した。これらのデータセットは分散から多種多様なアーキテクチャでトレーニングポリシーへと一般化されていることを示す。また、下流タスク、すなわちゼロショット方式でマルチタスクエージェントを訓練するアプリケーションの実演を行う。
論文参考訳（メタデータ） (2024-06-21T10:45:43Z)
Group Distributionally Robust Dataset Distillation with Risk Minimization [18.07189444450016]
本稿では,クラスタリングとリスク尺度の最小化を組み合わせ,DDを遂行する損失を最小化するアルゴリズムを提案する。数値実験により,その有効一般化と部分群間のロバスト性を示す。
論文参考訳（メタデータ） (2024-02-07T09:03:04Z)
Efficient Grammatical Error Correction Via Multi-Task Training and Optimized Training Schedule [55.08778142798106]
原文と修正文のアライメントを利用する補助タスクを提案する。我々は,各タスクをシーケンス・ツー・シーケンス問題として定式化し,マルチタスク・トレーニングを行う。トレーニングに使用されるデータセットの順序や、データセット内の個々のインスタンスでさえ、最終的なパフォーマンスに重要な影響を与える可能性があることが分かりました。
論文参考訳（メタデータ） (2023-11-20T14:50:12Z)
Customizing Synthetic Data for Data-Free Student Learning [6.8080936803807734]
DFKDは、オリジナルトレーニングデータなしで軽量な学生モデルを得ることを目指している。生徒モデルをより効果的に訓練するために、合成データを現在の学生学習能力に合わせてカスタマイズする。本稿では,データ自由学習(CSD)のための合成データのカスタマイズを提案する。
論文参考訳（メタデータ） (2023-07-10T13:17:29Z)
Evaluating the effect of data augmentation and BALD heuristics on distillation of Semantic-KITTI dataset [63.20765930558542]
Active Learningは、自律運転データセットにおけるLiDAR知覚タスクに対して、比較的未調査のままである。本研究では,データセット蒸留やコアサブセット選択のタスクに適用したベイズ能動学習手法を評価する。また,ベイジアンALを用いたデータセット蒸留におけるデータ拡張の適用効果についても検討した。
論文参考訳（メタデータ） (2023-02-21T13:56:47Z)
Offline Robot Reinforcement Learning with Uncertainty-Guided Human Expert Sampling [11.751910133386254]
バッチ(オフライン)強化学習の最近の進歩は、利用可能なオフラインデータから学習する上で有望な結果を示している。本研究では,不確実性推定を用いて人間の実演データを注入する手法を提案する。実験の結果,本手法は,専門家データと準最適エージェントから収集したデータを組み合わせる方法に比べて,よりサンプル効率が高いことがわかった。
論文参考訳（メタデータ） (2022-12-16T01:41:59Z)
Dataset Distillation by Matching Training Trajectories [75.9031209877651]
そこで本研究では,実データと同じような状態にネットワークを誘導するために,蒸留データを最適化する新しい定式化を提案する。ネットワークが与えられたら、蒸留データを何回か繰り返して訓練し、合成訓練されたパラメータと実データで訓練されたパラメータとの距離に関して蒸留データを最適化する。本手法は既存の手法よりも優れており,高解像度の視覚データを蒸留することができる。
論文参考訳（メタデータ） (2022-03-22T17:58:59Z)
On the Transferability of Pre-trained Language Models: A Study from Artificial Datasets [74.11825654535895]
大規模未ラベルテキストデータ上での事前学習言語モデル(LM)により、ダウンストリームのパフォーマンスが極めて容易になる。我々は,事前学習データに含まれる特定の特徴について,セマンティクス以外では,下流タスクのスクラッチからトレーニングしたデータよりも,事前学習したLMを優れているか検討した。
論文参考訳（メタデータ） (2021-09-08T10:39:57Z)
Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-22T14:49:33Z)
Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。