論文の概要: Evolutionary Generalized Zero-Shot Learning

• arxiv url: http://arxiv.org/abs/2211.13174v2
• Date: Sun, 12 May 2024 07:16:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-15 02:01:31.823212
• Title: Evolutionary Generalized Zero-Shot Learning
• Title（参考訳）: 進化的一般化ゼロショット学習
• Authors: Dubing Chen, Chenyi Jiang, Haofeng Zhang,
• Abstract要約: 属性ベースのゼロショット学習(ZSL)は、トレーニング中に見えない新しいクラスを認識するモデルの能力に革命をもたらした。 進化的一般化ゼロショット学習(EGZSL)を提案する。 この設定により、低パフォーマンスのゼロショットモデルでテストデータストリームに適応し、オンラインで進化させることができる。
• 参考スコア（独自算出の注目度）: 19.278497273850316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attribute-based Zero-Shot Learning (ZSL) has revolutionized the ability of models to recognize new classes not seen during training. However, with the advancement of large-scale models, the expectations have risen. Beyond merely achieving zero-shot generalization, there is a growing demand for universal models that can continually evolve in expert domains using unlabeled data. To address this, we introduce a scaled-down instantiation of this challenge: Evolutionary Generalized Zero-Shot Learning (EGZSL). This setting allows a low-performing zero-shot model to adapt to the test data stream and evolve online. We elaborate on three challenges of this special task, \ie, catastrophic forgetting, initial prediction bias, and evolutionary data class bias. Moreover, we propose targeted solutions for each challenge, resulting in a generic method capable of continuous evolution from a given initial IGZSL model. Experiments on three popular GZSL benchmark datasets demonstrate that our model can learn from the test data stream while other baselines fail. Codes are available at \url{https://github.com/cdb342/EGZSL}.
• Abstract（参考訳）: 属性ベースのゼロショット学習(ZSL)は、トレーニング中に見えない新しいクラスを認識するモデルの能力に革命をもたらした。 しかし、大規模モデルの進歩に伴い、期待は高まった。 単にゼロショットの一般化を達成するだけでなく、ラベルのないデータを使って専門家の領域で継続的に進化できる普遍モデルへの需要が高まっている。 これを解決するために,進化的一般化ゼロショット学習(EGZSL)という,この課題のスケールダウンインスタンス化を導入する。 この設定により、低パフォーマンスのゼロショットモデルでテストデータストリームに適応し、オンラインで進化させることができる。 本稿では,この特別課題の3つの課題,すなわち,破滅的忘れ,初期予測バイアス,進化的データクラスバイアスについて詳述する。 さらに,各課題に対する目標解を提案することにより,与えられた初期IGZSLモデルから連続的に進化可能な汎用的手法を提案する。 3つの人気のあるGZSLベンチマークデータセットの実験では、他のベースラインがフェールしている間に、テストデータストリームからモデルを学習できることが示されています。 コードは \url{https://github.com/cdb342/EGZSL} で入手できる。

関連論文リスト

• Meta-Learned Attribute Self-Interaction Network for Continual and Generalized Zero-Shot Learning [46.6282595346048]
  ゼロショット学習(ZSL)は、トレーニング中のカテゴリーを見えないものに一般化するための有望なアプローチである。 連続的なZSLのためのMAIN(Meta-learned Attribute Self-Interaction Network)を提案する。 メタラーニングと属性エンコーダの逆正則化を用いて学習した属性をペアリングすることで、未知のクラス属性を活用することなく、最先端の成果を達成できる。
  論文  参考訳（メタデータ） (2023-12-02T16:23:01Z)
• Continual Zero-Shot Learning through Semantically Guided Generative Random Walks [56.65465792750822]
  生成モデルを利用して、学習中に見えない情報が提供されない連続ゼロショット学習の課題に対処する。 本稿では,新しい意味誘導型生成ランダムウォーク(GRW)損失を用いた学習アルゴリズムを提案する。 提案アルゴリズムは,AWA1,AWA2,CUB,SUNデータセットの最先端性能を達成し,既存のCZSL手法を3～7%上回る結果を得た。
  論文  参考訳（メタデータ） (2023-08-23T18:10:12Z)
• Federated Zero-Shot Learning for Visual Recognition [55.65879596326147]
  本稿では,Federated Zero-Shot Learning FedZSLフレームワークを提案する。 FedZSLは、エッジデバイス上の分散データから中心的なモデルを学ぶ。 FedZSLの有効性と堅牢性は、3つのゼロショットベンチマークデータセットで実施された広範な実験によって実証された。
  論文  参考訳（メタデータ） (2022-09-05T14:49:34Z)
• Unseen Classes at a Later Time? No Problem [17.254973125515402]
  より実用的でフレキシブルなオンラインCGZSL設定を提案する。 これらのCGZSL設定のいずれにおいても時間とともに現れる新しいクラスの追加に動的に適応するために、双方向インクリメンタルアライメントを活用する、CGZSL用の統合機能生成フレームワークを導入する。
  論文  参考訳（メタデータ） (2022-03-30T17:52:16Z)
• Adaptive Memory Networks with Self-supervised Learning for Unsupervised Anomaly Detection [54.76993389109327]
  教師なし異常検出は、通常のデータのみをトレーニングすることで、目に見えない異常を検出するモデルを構築することを目的としている。 本稿では,これらの課題に対処するために,自己教師付き学習(AMSL)を用いた適応記憶ネットワーク(Adaptive Memory Network)を提案する。 AMSLには、一般的な正規パターンを学ぶための自己教師付き学習モジュールと、リッチな特徴表現を学ぶための適応型メモリ融合モジュールが組み込まれている。
  論文  参考訳（メタデータ） (2022-01-03T03:40:21Z)
• Self-Damaging Contrastive Learning [92.34124578823977]
  ラベルのないデータは一般に不均衡であり、長い尾の分布を示す。 本稿では,クラスを知らずに表現学習を自動的にバランスをとるための,自己学習コントラスト学習という原則的枠組みを提案する。 実験の結果,SDCLRは全体としての精度だけでなく,バランス性も著しく向上することがわかった。
  論文  参考訳（メタデータ） (2021-06-06T00:04:49Z)
• Meta-Learned Attribute Self-Gating for Continual Generalized Zero-Shot Learning [82.07273754143547]
  トレーニング中に見られないカテゴリにモデルを一般化するためのメタ連続ゼロショット学習(MCZSL)アプローチを提案する。 属性の自己決定とスケールしたクラス正規化をメタラーニングベースのトレーニングと組み合わせることで、最先端の成果を上回ることができるのです。
  論文  参考訳（メタデータ） (2021-02-23T18:36:14Z)
• Adversarial Training of Variational Auto-encoders for Continual Zero-shot Learning [1.90365714903665]
  本稿では,全タスクの情報を保持する共有VAEモジュールとタスク固有のプライベートVAEモジュールで構成されるハイブリッドネットワークを提案する。 モデルのサイズは各タスクで増加し、タスク固有のスキルの破滅的な忘れを防止する。 ZSL (Zero-Shot Learning) と GZSL (Generalized Zero-Shot Learning) による逐次学習よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-02-07T11:21:24Z)
• Generative Replay-based Continual Zero-Shot Learning [7.909034037183046]
  再生再生型連続ZSL(GRCZSL)を開発した。 提案手法は従来のZSLにストリーミングデータから学び、以前のタスクの経験を忘れることなく新しい知識を得ることができる。 GRZSL法は,実世界の問題設定をシミュレートした連続学習の単一ヘッド設定のために開発された。
  論文  参考訳（メタデータ） (2021-01-22T00:03:34Z)

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。