論文の概要: Interpretable Few-shot Learning with Online Attribute Selection
- arxiv url: http://arxiv.org/abs/2211.09107v1
- Date: Wed, 16 Nov 2022 18:50:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 14:29:38.085753
- Title: Interpretable Few-shot Learning with Online Attribute Selection
- Title(参考訳): オンライン属性選択による解釈可能なFew-shot学習
- Authors: Mohammad Reza Zarei, Majid Komeili
- Abstract要約: 本稿では,人間に親しみやすい属性をベースとした,少数ショット学習のための本質的に解釈可能なモデルを提案する。
提案手法は,広範に使用されている4つのデータセット上で,ブラックボックス数ショット学習モデルと同等の結果が得られることを示す。
- 参考スコア(独自算出の注目度): 4.594159253008448
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-shot learning (FSL) is a challenging learning problem in which only a few
samples are available for each class. Decision interpretation is more important
in few-shot classification since there is a greater chance of error than in
traditional classification. However, most of the previous FSL methods are
black-box models. In this paper, we propose an inherently interpretable model
for FSL based on human-friendly attributes. Moreover, we propose an online
attribute selection mechanism that can effectively filter out irrelevant
attributes in each episode. The attribute selection mechanism improves the
accuracy and helps with interpretability by reducing the number of participated
attributes in each episode. We demonstrate that the proposed method achieves
results on par with black-box few-shot-learning models on four widely used
datasets. To further close the performance gap with the black-box models, we
propose a mechanism that trades interpretability for accuracy. It automatically
detects the episodes where the provided human-friendly attributes are not
adequate, and compensates by engaging learned unknown attributes.
- Abstract(参考訳): FSL(Few-shot Learning)は,クラス毎にサンプルを少数用意する,難しい学習問題である。
決定解釈は、従来の分類よりもエラーの確率が高いため、少数ショット分類においてより重要である。
しかし、以前のFSL法のほとんどはブラックボックスモデルである。
本稿では,人間に親しみやすい属性に基づくFSLの本質的に解釈可能なモデルを提案する。
さらに,各エピソードにおける無関係な属性を効果的にフィルタリングするオンライン属性選択機構を提案する。
属性選択機構は精度を向上し、各エピソードの参加属性数を減らし、解釈可能性を高める。
提案手法は,広範に使用されている4つのデータセット上で,ブラックボックス数ショット学習モデルと同等の結果が得られることを示す。
ブラックボックスモデルとの性能ギャップをさらに縮めるために,解釈可能性と精度を交換する機構を提案する。
提供された人間フレンドリーな属性が不十分なエピソードを自動的に検出し、学習した未知の属性を関連付けることで補償する。
関連論文リスト
- Learning Conditional Attributes for Compositional Zero-Shot Learning [78.24309446833398]
合成ゼロショット学習(CZSL)は、新しい合成概念を認識するためにモデルを訓練することを目的としている。
課題の1つは、異なる物体、例えば「濡れたリンゴ」と「濡れた猫」の属性をモデル化することである。
我々は、属性が認識対象と入力画像に条件付けされていることを議論し、条件付き属性の埋め込みを学習する。
論文 参考訳(メタデータ) (2023-05-29T08:04:05Z) - Skill-Based Few-Shot Selection for In-Context Learning [123.26522773708683]
Skill-KNNは、文脈内学習のためのスキルベースの少ショット選択手法である。
モデルはトレーニングや微調整を必要とせず、頻繁に銀行を拡大したり変更したりするのに適している。
5つのドメイン間セマンティックパーシングデータセットと6つのバックボーンモデルによる実験結果から、Skill-KNNは既存の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2023-05-23T16:28:29Z) - Constructing Balance from Imbalance for Long-tailed Image Recognition [50.6210415377178]
多数派(頭)クラスと少数派(尾)クラスの不均衡は、データ駆動のディープニューラルネットワークを著しく歪ませる。
従来の手法では、データ分散、特徴空間、モデル設計の観点からデータ不均衡に対処していた。
ラベル空間を段階的に調整し,ヘッドクラスとテールクラスを分割することで,簡潔なパラダイムを提案する。
提案モデルでは,特徴評価手法も提供し,長期的特徴学習の道を開く。
論文 参考訳(メタデータ) (2022-08-04T10:22:24Z) - An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。
既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。
本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-07T06:50:27Z) - Shaping Visual Representations with Attributes for Few-Shot Learning [5.861206243996454]
少ないショット認識は、低データ体制下での新規カテゴリの認識を目的としている。
近年,メートル法に基づく数ショット学習法は有望な性能を達成している。
本稿では,属性型学習(ASL)を提案する。
論文 参考訳(メタデータ) (2021-12-13T03:16:19Z) - Learning Debiased and Disentangled Representations for Semantic
Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。
各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。
提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文 参考訳(メタデータ) (2021-10-31T16:15:09Z) - Compositional Fine-Grained Low-Shot Learning [58.53111180904687]
そこで本研究では,ゼロおよび少数ショット学習のための新しい合成生成モデルを構築し,学習サンプルの少ない,あるいは全くない,きめ細かいクラスを認識する。
本稿では, 学習サンプルから属性特徴を抽出し, それらを組み合わせて, 稀で見えないクラスのためのきめ細かい特徴を構築できる特徴合成フレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-21T16:18:24Z) - Match Them Up: Visually Explainable Few-shot Image Classification [27.867833878756553]
ほとんどショットラーニングは、通常、訓練済みの知識がベース(見えない)カテゴリから得られ、新しい(見えない)カテゴリに十分に移行できるという仮定に基づいている。
本稿では、バックボーンモデルからの視覚的表現と、新たに導入された説明可能な分類器によって生成される重みを用いて、画像分類のための新しいFSLを実行する方法を明らかにする。
実験結果から,提案手法は3つの主流データセットに対して良好な精度と良好な説明性が得られることが示された。
論文 参考訳(メタデータ) (2020-11-25T05:47:35Z)
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。