論文の概要: Distance Based Image Classification: A solution to generative classification's conundrum?

• arxiv url: http://arxiv.org/abs/2210.01349v1
• Date: Tue, 4 Oct 2022 03:35:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 13:22:21.067355
• Title: Distance Based Image Classification: A solution to generative classification's conundrum?
• Title（参考訳）: 距離に基づく画像分類:生成的分類の畳み込みの解法?
• Authors: Wen-Yan Lin, Siying Liu, Bing Tian Dai, Hongdong Li
• Abstract要約: 差別的境界は、何によって意味論を定義するため、直観に反するものであると論じる。 本稿では,シェル理論の階層的生成過程によって意味的因子が許容される新しい生成モデルを提案する。 本モデルを用いて,意味的手がかりを保ちながら雑音の影響を抑える分類手法を開発した。
• 参考スコア（独自算出の注目度）: 70.43638559782597
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Most classifiers rely on discriminative boundaries that separate instances of each class from everything else. We argue that discriminative boundaries are counter-intuitive as they define semantics by what-they-are-not; and should be replaced by generative classifiers which define semantics by what-they-are. Unfortunately, generative classifiers are significantly less accurate. This may be caused by the tendency of generative models to focus on easy to model semantic generative factors and ignore non-semantic factors that are important but difficult to model. We propose a new generative model in which semantic factors are accommodated by shell theory's hierarchical generative process and non-semantic factors by an instance specific noise term. We use the model to develop a classification scheme which suppresses the impact of noise while preserving semantic cues. The result is a surprisingly accurate generative classifier, that takes the form of a modified nearest-neighbor algorithm; we term it distance classification. Unlike discriminative classifiers, a distance classifier: defines semantics by what-they-are; is amenable to incremental updates; and scales well with the number of classes.
• Abstract（参考訳）: ほとんどの分類器は、各クラスのインスタンスを他の全てから分離する識別境界に依存している。 判別的境界は、意味を what- they-are-not で定義し、その意味を what- they-are で定義する生成的分類器に置き換えるべきである。 残念ながら、生成型分類器の精度は著しく低い。 これは、生成的モデルが意味的生成因子を容易にモデル化し、重要だがモデル化が難しい非意味的因子を無視する傾向によって引き起こされる。 本稿では,シェル理論の階層的生成過程と非意味的生成過程によって意味的因子が許容される新しい生成モデルを提案する。 本モデルを用いて,意味的手がかりを保ちながら雑音の影響を抑える分類手法を開発した。 その結果、驚くほど正確な生成型分類器となり、修正された近距離-近距離アルゴリズムの形をとり、距離分類と呼ぶ。 識別的分類器とは異なり、距離分類器は、What-they-areによって意味を定義する。

関連論文リスト

• Definition generation for lexical semantic change detection [3.7297237438000788]
  ダイアクロニック辞書意味変化検出(LSCD)タスクにおける意味表現として,大言語モデルによって生成された文脈化された単語定義を用いる。 つまり、生成された定義を感覚として使用し、比較対象単語の変化スコアを、比較対象単語の分布を2つの期間に比較して検索する。 本手法は従来の非教師付きLSCD法と同等か優れる。
  論文  参考訳（メタデータ） (2024-06-20T10:13:08Z)
• Generative Multi-modal Models are Good Class-Incremental Learners [51.5648732517187]
  クラス増分学習のための新しい生成型マルチモーダルモデル(GMM)フレームワークを提案する。 提案手法は適応生成モデルを用いて画像のラベルを直接生成する。 Few-shot CIL設定では、現在の最先端のすべてのメソッドに対して少なくとも14%精度が向上し、忘れてはならない。
  論文  参考訳（メタデータ） (2024-03-27T09:21:07Z)
• CCPrefix: Counterfactual Contrastive Prefix-Tuning for Many-Class Classification [57.62886091828512]
  多クラス分類のための新しいプレフィックスチューニング手法であるCCPrefixを提案する。 基本的に、ラベル空間における実数対から派生したインスタンス依存の軟式接頭辞は、多クラス分類における言語動詞化を補完するために利用される。
  論文  参考訳（メタデータ） (2022-11-11T03:45:59Z)
• Deriving discriminative classifiers from generative models [6.939768185086753]
  生成モデルから誘導される生成的分類器は、同じモデルから判別的に計算できることを示す。 自然言語処理(NLP)フレームワークにおいて,分類器を識別する新たな手法が注目されている。
  論文  参考訳（メタデータ） (2022-01-03T19:18:25Z)
• A new class of generative classifiers based on staged tree models [2.66269503676104]
  分類のための生成モデルは、クラス変数と特徴の合同確率分布を使用して決定規則を構成する。 ここでは,ステージ付き木分類器と呼ばれる,コンテキスト固有の独立性を考慮した新しい生成型分類器を導入する。 タイタニックの乗客の運命を予測するための応用分析は、生成分類器の新しいクラスが与えることができる洞察を強調します。
  論文  参考訳（メタデータ） (2020-12-26T19:30:35Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Classify and Generate: Using Classification Latent Space Representations for Image Generations [17.184760662429834]
  本稿では,操作された教師付き潜在表現を用いて,与えられたクラスに属する新しいサンプルを再構成・生成する識別モデリングフレームワークを提案する。 ReGeneは、既存の条件生成モデルよりも高い分類精度を持ち、FIDの点で競争力がある。
  論文  参考訳（メタデータ） (2020-04-16T09:13:44Z)
• Latent Embedding Feedback and Discriminative Features for Zero-Shot Classification [139.44681304276]
  ゼロショット学習は、トレーニング中にデータが利用できない、見えないカテゴリを分類することを目的としている。 Generative Adrial Networksは、クラス固有のセマンティック埋め込みを利用して、目に見えないクラス機能を合成する。 我々は,ゼロショット学習のすべての段階において,意味的一貫性を強制することを提案する。
  論文  参考訳（メタデータ） (2020-03-17T17:34:16Z)
• Multi-Class Classification from Noisy-Similarity-Labeled Data [98.13491369929798]
  雑音に類似したラベル付きデータのみから学習する方法を提案する。 ノイズ遷移行列を用いて、クリーンデータとノイズデータの間にクラス後確率をブリッジする。 雑音のないクラスラベルをインスタンスに割り当てる新しい学習システムを構築した。
  論文  参考訳（メタデータ） (2020-02-16T05:10:21Z)

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。