論文の概要: Distribution Learning Based on Evolutionary Algorithm Assisted Deep Neural Networks for Imbalanced Image Classification

• arxiv url: http://arxiv.org/abs/2207.12744v1
• Date: Tue, 26 Jul 2022 08:51:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-27 12:19:18.566510
• Title: Distribution Learning Based on Evolutionary Algorithm Assisted Deep Neural Networks for Imbalanced Image Classification
• Title（参考訳）: 不均衡画像分類のための進化的アルゴリズムを用いた深層ニューラルネットワークに基づく分布学習
• Authors: Yudi Zhao, Kuangrong Hao, Chaochen Gu, Bing Wei
• Abstract要約: 提案手法は,iMproved Estimation Distribution Algorithm based Latent achievementUre Distribution Evolution (MEDA_LUDE)アルゴリズムである。 ベンチマークに基づく不均衡データセットの実験により,提案アルゴリズムの有効性が検証された。 MEDA_LUDEアルゴリズムは産業分野にも適用され, ファブリック欠陥分類における不均衡問題を緩和する。
• 参考スコア（独自算出の注目度）: 4.037464966510278
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To address the trade-off problem of quality-diversity for the generated images in imbalanced classification tasks, we research on over-sampling based methods at the feature level instead of the data level and focus on searching the latent feature space for optimal distributions. On this basis, we propose an iMproved Estimation Distribution Algorithm based Latent featUre Distribution Evolution (MEDA_LUDE) algorithm, where a joint learning procedure is programmed to make the latent features both optimized and evolved by the deep neural networks and the evolutionary algorithm, respectively. We explore the effect of the Large-margin Gaussian Mixture (L-GM) loss function on distribution learning and design a specialized fitness function based on the similarities among samples to increase diversity. Extensive experiments on benchmark based imbalanced datasets validate the effectiveness of our proposed algorithm, which can generate images with both quality and diversity. Furthermore, the MEDA_LUDE algorithm is also applied to the industrial field and successfully alleviates the imbalanced issue in fabric defect classification.
• Abstract（参考訳）: 不均衡な分類タスクにおける生成画像の品質多様性のトレードオフ問題に対処するため、データレベルの代わりに特徴レベルのオーバーサンプリングに基づく手法の研究を行い、最適分布のための潜在特徴空間の探索に焦点をあてる。 そこで本研究では,ディープニューラルネットワークと進化アルゴリズムによって,潜在特徴の最適化と進化を両立させるために,合同学習手順をプログラムした推定分布アルゴリズムに基づく潜在特徴分布進化 (meda_lude) アルゴリズムを提案する。 分布学習における大マージンガウシアン混合(l-gm)損失関数の効果について検討し,サンプル間の類似性に基づく特殊適合関数の設計と多様性の向上について検討した。 ベンチマークに基づく不均衡データセットに関する広範囲な実験により,提案アルゴリズムの有効性が検証された。 さらに、MEDA_LUDEアルゴリズムは産業分野にも適用され、ファブリック欠陥分類の不均衡問題を軽減した。

関連論文リスト

• Quantized Hierarchical Federated Learning: A Robust Approach to Statistical Heterogeneity [3.8798345704175534]
  本稿では,コミュニケーション効率に量子化を組み込んだ新しい階層型フェデレーション学習アルゴリズムを提案する。 最適性ギャップと収束率を評価するための包括的な分析フレームワークを提供する。 この結果から,本アルゴリズムはパラメータの範囲で常に高い学習精度を達成できることが判明した。
  論文  参考訳（メタデータ） (2024-03-03T15:40:24Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Stability and Generalization of the Decentralized Stochastic Gradient Descent Ascent Algorithm [80.94861441583275]
  本稿では,分散勾配勾配(D-SGDA)アルゴリズムの一般化境界の複雑さについて検討する。 本研究は,D-SGDAの一般化における各因子の影響を解析した。 また、最適凸凹設定を得るために一般化とバランスをとる。
  論文  参考訳（メタデータ） (2023-10-31T11:27:01Z)
• Affine-Transformation-Invariant Image Classification by Differentiable Arithmetic Distribution Module [8.125023712173686]
  畳み込みニューラルネットワーク(CNN)は画像分類において有望な結果を得た。 CNNは回転、翻訳、フリップ、シャッフルなどのアフィン変換に弱い。 本研究では,分散学習手法を取り入れた,より堅牢な代替手法を提案する。
  論文  参考訳（メタデータ） (2023-09-01T22:31:32Z)
• Stochastic Unrolled Federated Learning [85.6993263983062]
  本稿では,UnRolled Federated Learning (SURF)を導入する。 提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
  論文  参考訳（メタデータ） (2023-05-24T17:26:22Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Faster Adaptive Federated Learning [84.38913517122619]
  フェデレートラーニングは分散データの出現に伴って注目を集めている。 本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T05:07:50Z)
• Regularization Penalty Optimization for Addressing Data Quality Variance in OoD Algorithms [45.02465532852302]
  理論的には、トレーニングデータ品質とアルゴリズム性能の関係を明らかにする。 サンプルレベルとドメインレベルの両方において、低品質データの影響を軽減するために、新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-12T14:36:04Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。