論文の概要: NeurIPS'22 Cross-Domain MetaDL competition: Design and baseline results
- arxiv url: http://arxiv.org/abs/2208.14686v1
- Date: Wed, 31 Aug 2022 08:31:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-01 12:58:53.308385
- Title: NeurIPS'22 Cross-Domain MetaDL competition: Design and baseline results
- Title（参考訳）: NeurIPS'22 クロスドメインメタDLコンペティション:設計とベースライン結果
- Authors: Dustin Carri\'on-Ojeda (LISN, TAU), Hong Chen (CST), Adrian El Baz,
Sergio Escalera (CVC), Chaoyu Guan (CST), Isabelle Guyon (LISN, TAU), Ihsan
Ullah (LISN, TAU), Xin Wang (CST), Wenwu Zhu (CST)
- Abstract要約: 我々は,NeurIPS'22で受理されたChaLearnメタラーニングシリーズにおいて,新しい課題に対する設計とベースラインの結果を示す。
このコンペティションでは、参加者が様々なドメインから引き出された"あらゆる方向"と"あらゆるショット"の問題を解決するよう挑戦する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present the design and baseline results for a new challenge in the
ChaLearn meta-learning series, accepted at NeurIPS'22, focusing on
"cross-domain" meta-learning. Meta-learning aims to leverage experience gained
from previous tasks to solve new tasks efficiently (i.e., with better
performance, little training data, and/or modest computational resources).
While previous challenges in the series focused on within-domain few-shot
learning problems, with the aim of learning efficiently N-way k-shot tasks
(i.e., N class classification problems with k training examples), this
competition challenges the participants to solve "any-way" and "any-shot"
problems drawn from various domains (healthcare, ecology, biology,
manufacturing, and others), chosen for their humanitarian and societal impact.
To that end, we created Meta-Album, a meta-dataset of 40 image classification
datasets from 10 domains, from which we carve out tasks with any number of
"ways" (within the range 2-20) and any number of "shots" (within the range
1-20). The competition is with code submission, fully blind-tested on the
CodaLab challenge platform. The code of the winners will be open-sourced,
enabling the deployment of automated machine learning solutions for few-shot
image classification across several domains.
- Abstract（参考訳）: 我々は、NeurIPS'22で受け入れられたChaLearnメタラーニングシリーズにおいて、"クロスドメイン"メタラーニングに焦点を当てた新しい課題の設計とベースライン結果を示す。
メタラーニングは、以前のタスクから得られた経験を活用して、新しいタスクを効率的に解決することを目的としている(すなわち、パフォーマンスの向上、トレーニングデータ不足、および/または控え目な計算リソース)。
シリーズの以前の課題は、効果的にNウェイのkショットタスク(例えば、kトレーニングの例によるNクラス分類問題)を学習することを目的として、ドメイン内の数ショットの学習問題に焦点を当てていたが、この競争は、様々なドメイン(医療、生態、生物学、製造など)から引き出された「あらゆる」問題と「あらゆるショット」問題を、その人道的および社会的影響のために参加者に解決させることに挑戦した。
そのためにMeta-Albumという,10ドメインの40の画像分類データセットのメタデータセットを作成しました。そこからは,任意の数の"way"(範囲2～20)と任意の数の"shots"(範囲1～20)でタスクを実行します。
競争相手はコード提出で、CodaLabチャレンジプラットフォームで完全に盲目的にテストされている。
勝者のコードはオープンソース化され、複数のドメインにまたがる数ショットの画像分類のための自動機械学習ソリューションがデプロイされる。
関連論文リスト
- Learning Site-specific Styles for Multi-institutional Unsupervised
Cross-modality Domain Adaptation [7.282377515210211]
我々は,クロスモダ2023チャレンジに対する多施設非教師付きドメイン適応に取り組むためのソリューションを提案する。
私たちのソリューションは,課題の検証とテストの両段階において,第1位を獲得しました。
論文 参考訳（メタデータ） (2023-11-21T08:47:08Z) - Unsupervised Meta-Learning via Few-shot Pseudo-supervised Contrastive
Learning [72.3506897990639]
本稿では,Pseudo-supervised Contrast (PsCo) という,シンプルだが効果的なメタ学習フレームワークを提案する。
PsCoは、さまざまなドメイン内およびクロスドメインのいくつかのショット分類ベンチマークの下で、既存の教師なしメタラーニングメソッドより優れています。
論文 参考訳（メタデータ） (2023-03-02T06:10:13Z) - NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision
Research [96.53307645791179]
我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。
分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。
NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
論文 参考訳（メタデータ） (2022-11-15T18:57:46Z) - Extending nnU-Net is all you need [2.1729722043371016]
私たちはAMOS2022チャレンジに参加するためにnnU-Netを使用します。
このデータセットはこれまでに作成された中で最大規模の15のターゲット構造を持つ。
最終アンサンブルは,タスク1(CT)のDiceスコア90.13とタスク2(CT+MRI)の89.06を5倍のクロスバリデーションで達成した。
論文 参考訳（メタデータ） (2022-08-23T07:54:29Z) - Continual Prune-and-Select: Class-incremental learning with specialized
subnetworks [66.4795381419701]
CP&S(Continuous-Prune-and-Select)は、ImageNet-1000から10タスクを逐次学習できる。
これは、クラス増分学習における第一級の結果である。
論文 参考訳（メタデータ） (2022-08-09T10:49:40Z) - Lessons learned from the NeurIPS 2021 MetaDL challenge: Backbone
fine-tuning without episodic meta-learning dominates for few-shot learning
image classification [40.901760230639496]
本稿では,MetaDLコンペティションシリーズの設計,データセット,最良の実験結果,NeurIPS 2021チャレンジにおける最上位の手法について述べる。
トップ参加者のソリューションがオープンソース化された。
論文 参考訳（メタデータ） (2022-06-15T10:27:23Z) - Advances in MetaDL: AAAI 2021 challenge and workshop [0.0]
本稿では,課題の設計とその成果について述べるとともに,ワークショップで行ったプレゼンテーションを要約する。
この課題は、小さな画像の少人数の学習分類タスクに焦点をあてた。
勝利の方法は、人気のあるCNNバックボーンの2番目の層でトレーニングされた様々な分類器を備え、メタトレーニングデータに基づいて微調整され、ラベル付きサポートでトレーニングされ、メタテストデータのラベル付きクエリセットでテストされた。
論文 参考訳（メタデータ） (2022-02-01T07:46:36Z) - Winning solutions and post-challenge analyses of the ChaLearn AutoDL
challenge 2019 [112.36155380260655]
本稿では,ChaLearnのAutoDLチャレンジシリーズの結果と今後の課題について述べる。
その結果,一般的なニューラルネットワーク探索(NAS)は実用的ではなかったものの,DL手法が支配的であったことが示唆された。
メタラーナー"、"データインジェクタ"、"モデルセレクタ"、"モデル/ラーナー"、"評価器"を特徴とする、ハイレベルなモジュール化組織が登場した。
論文 参考訳（メタデータ） (2022-01-11T06:21:18Z) - Cross-Domain Few-Shot Classification via Adversarial Task Augmentation [16.112554109446204]
少数のショット分類は、各クラスのラベル付きサンプルがほとんどなく、見えないクラスを認識することを目的とする。
数ショット分類のためのメタラーニングモデルの多くは、そのようなタスクを解決するために様々なタスク共有帰納バイアス(メタ知識)を精巧に設計する。
本研究は,タスク強化による帰納バイアスの堅牢性向上を目的としている。
論文 参考訳（メタデータ） (2021-04-29T14:51:53Z) - LID 2020: The Learning from Imperfect Data Challenge Results [242.86700551532272]
Imperfect Dataワークショップからの学習は、新しいアプローチの開発に刺激を与え、促進することを目的としている。
我々は、弱教師付き学習環境における最先端のアプローチを見つけるために、3つの課題を編成する。
この技術的レポートは、課題のハイライトを要約している。
論文 参考訳（メタデータ） (2020-10-17T13:06:12Z) - Expert Training: Task Hardness Aware Meta-Learning for Few-Shot
Classification [62.10696018098057]
そこで本研究では,訓練課題を適切に整理するためのメタトレーニング戦略を提案する。
タスクの難易度を推定する訓練手順にタスク難易度認識モジュールを設計して統合する。
miniImageNet と tieredImageNetSketch のデータセットによる実験結果から,メタラーナーは専門家のトレーニング戦略によりより良い結果が得られることが示された。
論文 参考訳（メタデータ） (2020-07-13T08:49:00Z)
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。