論文の概要: Star-Graph Multimodal Matching Component Analysis for Data Fusion and Transfer Learning

• arxiv url: http://arxiv.org/abs/2210.02590v1
• Date: Wed, 5 Oct 2022 22:39:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 17:55:07.993974
• Title: Star-Graph Multimodal Matching Component Analysis for Data Fusion and Transfer Learning
• Title（参考訳）: データ融合・転送学習のためのスターグラフ・マルチモーダルマッチング成分分析
• Authors: Nick Lorenzo
• Abstract要約: 本稿では,ある特定のデータドメインが目的関数を介して$m$の他のデータドメインに接続されるスターグラフ・マルチモーダル(SGM)のケースに一致する成分分析手法を拡張した。 トレーニングポイントが少ない場合、SGMはMCAよりも多くの情報を地図にエンコードできることを示す。
• 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: Previous matching component analysis (MCA) techniques map two data domains to a common domain for further processing in data fusion and transfer learning contexts. In this paper, we extend these techniques to the star-graph multimodal (SGM) case in which one particular data domain is connected to $m$ others via an objective function. We provide a particular feasible point for the resulting trace maximization problem in closed form and algorithms for its computation and iterative improvement, leading to our main result, the SGM maps. We also provide numerical examples demonstrating that SGM is capable of encoding into its maps more information than MCA when few training points are available. In addition, we develop a further generalization of the MCA covariance constraint, eliminating a previous feasibility condition and allowing larger values of the rank of the prescribed covariance matrix.
• Abstract（参考訳）: 従来のマッチングコンポーネント分析(MCA)技術は、2つのデータドメインを共通のドメインにマッピングし、データ融合および転送学習コンテキストのさらなる処理を行う。 本稿では、これらの手法を、ある特定のデータ領域が目的関数を介して$m$に接続されるstar-graph multimodal (sgm) ケースに拡張する。 我々は,その計算と反復的改善のためのアルゴリズムと閉形式のトレース最大化問題に対して,特に実現可能な点を提供し,SGMマップの主な結果を得た。 また,トレーニングポイントが少ない場合に,SGMがMCAよりも多くの情報を地図にエンコードできることを示す数値例を示す。 さらに,mca共分散制約をさらに一般化し,既往の可逆条件を解消し,所定の共分散行列の階数をより大きくすることができる。

関連論文リスト

• Domain Adaptation Principal Component Analysis: base linear method for learning with out-of-distribution data [55.41644538483948]
  ドメイン適応は現代の機械学習において一般的なパラダイムである。 ドメイン適応主成分分析(DAPCA)という手法を提案する。 DAPCAは、領域適応タスクの解決に有用な線形化データ表現を見つける。
  論文  参考訳（メタデータ） (2022-08-28T21:10:56Z)
• TECM: Transfer Evidential C-means Clustering [10.930058203057785]
  クラスタリングはテキスト分析、自然言語処理、画像セグメンテーション、その他のデータマイニング分野で広く使われている。 明示的なc-means(ECM)は、オブジェクトがクラスのいくつかのサブセットに属することを許すことによって、データについてより深い洞察を与えることができる。 本稿では,トランスファーラーニングの戦略を導入することで,トランスファーファレンシャルc-means (TECM) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-19T13:56:33Z)
• Improving Multi-Domain Generalization through Domain Re-labeling [31.636953426159224]
  本稿では,事前特定ドメインラベルと一般化性能の関連性について検討する。 マルチドメイン一般化のための一般的なアプローチであるMulDEnsを導入し,ERMをベースとした深層アンサンブルバックボーンを用いた。 我々は、MulDEnsがデータセット固有の拡張戦略やトレーニングプロセスの調整を必要としないことを示す。
  論文  参考訳（メタデータ） (2021-12-17T23:21:50Z)
• Covariance-Generalized Matching Component Analysis for Data Fusion and Transfer Learning [0.0]
  マッチング成分分析(MCA)伝達学習技術のための一般化共分散制約を導入する。 私たちはこのテクニックを、データ融合とトランスファーラーニングの両方に適用可能な、共一般化MCA(CGMCA)と呼んでいる。
  論文  参考訳（メタデータ） (2021-10-25T18:20:04Z)
• Curriculum Graph Co-Teaching for Multi-Target Domain Adaptation [78.28390172958643]
  マルチターゲットドメイン適応(MTDA)における複数のドメインシフトを軽減するのに役立つ2つの重要な側面を同定する。 本論文では,二重分類器ヘッドを用いたCGCT(Curriculum Graph Co-Teaching)を提案する。そのうちの1つがグラフ畳み込みネットワーク(GCN)である。 ドメインラベルが利用可能になると、まずより簡単なターゲットドメインに適応し、続いて難しいドメインに適応する逐次適応戦略であるDomain-Aware Curriculum Learning (DCL)を提案する。
  論文  参考訳（メタデータ） (2021-04-01T23:41:41Z)
• Model-Based Domain Generalization [96.84818110323518]
  本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。 我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
  論文  参考訳（メタデータ） (2021-02-23T00:59:02Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)
• Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
  半教師付き学習における簡単なメタ学習アルゴリズムを提案する。 その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-07-08T08:48:56Z)
• Unified Multi-Domain Learning and Data Imputation using Adversarial Autoencoder [5.933303832684138]
  マルチドメイン学習(MDL)、データ計算(DI)、マルチタスク学習(MTL)を組み合わせた新しいフレームワークを提案する。 本手法のコアとなるのは,(1)ドメイン間の差を小さくするためにドメイン不変な埋め込みを生成すること,(2)各ドメインのデータ分布を学習し,欠落データに対するデータ計算を正しく行うこと,である。
  論文  参考訳（メタデータ） (2020-03-15T19:55:07Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)
• Learn to Expect the Unexpected: Probably Approximately Correct Domain Generalization [38.345670899258515]
  ドメインの一般化は、トレーニングデータとテストデータが異なるデータドメインから来るときの機械学習の問題である。 データ分布にメタ分布が存在する領域をまたいで一般化する単純な理論モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-13T17:37:53Z)

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。