論文の概要: TripleE: Easy Domain Generalization via Episodic Replay
- arxiv url: http://arxiv.org/abs/2210.01807v1
- Date: Tue, 4 Oct 2022 14:21:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 13:08:40.417243
- Title: TripleE: Easy Domain Generalization via Episodic Replay
- Title(参考訳): triplee:エピソディックリプレイによる容易なドメイン一般化
- Authors: Xiaomeng Li, Hongyu Ren, Huifeng Yao, Ziwei Liu
- Abstract要約: TripleEは、サブセットのトレーニングに集中し、サブセットの学習においてデータ空間を拡大することを推奨する。
TripleEと呼ばれる私たちのモデルは、単純な拡張とアンサンブルに基づいて、非常に簡単です。
- 参考スコア(独自算出の注目度): 45.61028027931956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning how to generalize the model to unseen domains is an important area
of research. In this paper, we propose TripleE, and the main idea is to
encourage the network to focus on training on subsets (learning with replay)
and enlarge the data space in learning on subsets. Learning with replay
contains two core designs, EReplayB and EReplayD, which conduct the replay
schema on batch and dataset, respectively. Through this, the network can focus
on learning with subsets instead of visiting the global set at a glance,
enlarging the model diversity in ensembling. To enlarge the data space in
learning on subsets, we verify that an exhaustive and singular augmentation
(ESAug) performs surprisingly well on expanding the data space in subsets
during replays. Our model dubbed TripleE is frustratingly easy, based on simple
augmentation and ensembling. Without bells and whistles, our TripleE method
surpasses prior arts on six domain generalization benchmarks, showing that this
approach could serve as a stepping stone for future research in domain
generalization.
- Abstract(参考訳): モデルを未発見の領域に一般化する方法を学ぶことは重要な研究分野である。
本稿では,TripleEを提案するとともに,ネットワークがサブセットのトレーニング(リプレイによる学習)に集中し,サブセットの学習においてデータ空間を拡大することが主な目的である。
replayを使った学習には、バッチとデータセットでそれぞれリプレイスキーマを実行するereplaybとereplaydの2つのコア設計が含まれている。
これにより、ネットワークは、一目でグローバルセットを訪れるのではなく、サブセットで学ぶことに集中でき、アンサンブルにおけるモデルの多様性を拡大できる。
サブセットを学習する際のデータ空間を拡大するため,リプレイ中のデータ空間の拡大において,徹底的かつ特異な拡張(ESAug)が驚くほど有効であることを確認した。
TripleEと呼ばれる私たちのモデルは、単純な拡張とアンサンブルに基づいて、非常に簡単です。
ベルとホイッスルがなければ、TripleE法は6つの領域一般化ベンチマークの先行技術を超え、この手法が将来の領域一般化研究の足掛かりとなることを示している。
関連論文リスト
- A streamlined Approach to Multimodal Few-Shot Class Incremental Learning
for Fine-Grained Datasets [23.005760505169803]
FSCIL(Few-shot Class-Incremental Learning)は、限られた新しいデータストリームから学習しながら、事前の知識を維持するという課題を提起する。
本稿では,セッション間の画像テキスト埋め込みの分離性を向上するSSP(Session-Specific Prompts)を提案する。
第2のハイパーボリック距離は、同じクラス内の画像とテキストのペアの表現を圧縮し、異なるクラスから拡張し、より良い表現をもたらす。
論文 参考訳(メタデータ) (2024-03-10T19:50:03Z) - Towards Unseen Triples: Effective Text-Image-joint Learning for Scene
Graph Generation [30.79358827005448]
SGG(Scene Graph Generation)は、画像内のオブジェクトとその接続を構造的かつ包括的に表現することを目的としている。
既存のSGGモデルは、バイアス付きデータセットによって引き起こされる長い尾の問題を解決するのに苦労することが多い。
テキスト画像結合Scene Graph Generation (TISGG) モデルを提案する。
論文 参考訳(メタデータ) (2023-06-23T10:17:56Z) - Accelerating exploration and representation learning with offline
pre-training [52.6912479800592]
1つのオフラインデータセットから2つの異なるモデルを別々に学習することで、探索と表現の学習を改善することができることを示す。
ノイズコントラスト推定と補助報酬モデルを用いて状態表現を学習することで、挑戦的なNetHackベンチマークのサンプル効率を大幅に向上できることを示す。
論文 参考訳(メタデータ) (2023-03-31T18:03:30Z) - Learning General World Models in a Handful of Reward-Free Deployments [53.06205037827802]
汎用エージェントの構築は、深層強化学習(RL)における大きな課題である
本稿では,新しい環境下での自己監督型探査手法であるCASCADEについて紹介する。
我々は,CASCADEが多様なタスク非依存のデータセットを収集し,ゼロショットから新規で目に見えない下流タスクへのエージェント学習を行うことを示す。
論文 参考訳(メタデータ) (2022-10-23T12:38:03Z) - Model-Free Generative Replay for Lifelong Reinforcement Learning:
Application to Starcraft-2 [5.239932780277599]
生成的リプレイ(GR)は、生物学的にインスパイアされたリプレイ機構であり、自己ラベルの例で学習経験を増強する。
本稿では,2つのデシラタを満たすLRL用GRのバージョンを提案する。 (a) 深層RLを用いて学習したポリシーの潜在表現の内観的密度モデリング, (b) モデルなしのエンドツーエンド学習である。
論文 参考訳(メタデータ) (2022-08-09T22:00:28Z) - TridentAdapt: Learning Domain-invariance via Source-Target Confrontation
and Self-induced Cross-domain Augmentation [0.0]
主な課題は、仮想データから恩恵を受けるために、入力のドメインに依存しない表現を学ぶことである。
本稿では,対立ソースとターゲット制約を同時に満たすために,共有機能エンコーダを強制するトリデント型アーキテクチャを提案する。
また、フォワードパス中に自己誘導型クロスドメインデータ拡張を可能にする新しいトレーニングパイプラインも導入する。
論文 参考訳(メタデータ) (2021-11-30T11:25:46Z) - Self-supervised Audiovisual Representation Learning for Remote Sensing
Data [70.64030011999981]
遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。
ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。
提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-08-02T07:50:50Z) - PointContrast: Unsupervised Pre-training for 3D Point Cloud
Understanding [107.02479689909164]
本研究では,3次元表現学習の研究を支援することを目的とする。
教師なし事前学習が3Dシーンの大規模なソースセットに与える影響を計測する。
論文 参考訳(メタデータ) (2020-07-21T17:59:22Z) - Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。
私たちのフレームワークは、サンプル間の関係をよく保存します。
サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文 参考訳(メタデータ) (2020-07-11T10:57:45Z)
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。