論文の概要: Metric Learning as a Service with Covariance Embedding

• arxiv url: http://arxiv.org/abs/2211.15197v1
• Date: Mon, 28 Nov 2022 10:10:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 18:49:06.923070
• Title: Metric Learning as a Service with Covariance Embedding
• Title（参考訳）: 共分散埋め込み型サービスとしてのメトリックラーニング
• Authors: Imam Mustafa Kamal, Hyerim Bae, Ling Liu
• Abstract要約: メトリック学習は、クラス内およびクラス間の類似性を最大化し、最小化する。 既存のモデルは、分離可能な埋め込み空間を得るために主に距離測度に依存する。 高性能なディープラーニングアプリケーションのためのサービスとしてメトリック学習を有効にするためには、クラス間の関係も賢明に扱うべきだ、と我々は主張する。
• 参考スコア（独自算出の注目度）: 7.5989847759545155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the emergence of deep learning, metric learning has gained significant popularity in numerous machine learning tasks dealing with complex and large-scale datasets, such as information retrieval, object recognition and recommendation systems. Metric learning aims to maximize and minimize inter- and intra-class similarities. However, existing models mainly rely on distance measures to obtain a separable embedding space and implicitly maximize the intra-class similarity while neglecting the inter-class relationship. We argue that to enable metric learning as a service for high-performance deep learning applications, we should also wisely deal with inter-class relationships to obtain a more advanced and meaningful embedding space representation. In this paper, a novel metric learning is presented as a service methodology that incorporates covariance to signify the direction of the linear relationship between data points in an embedding space. Unlike conventional metric learning, our covariance-embedding-enhanced approach enables metric learning as a service to be more expressive for computing similar or dissimilar measures and can capture positive, negative, or neutral relationships. Extensive experiments conducted using various benchmark datasets, including natural, biomedical, and facial images, demonstrate that the proposed model as a service with covariance-embedding optimizations can obtain higher-quality, more separable, and more expressive embedding representations than existing models.
• Abstract（参考訳）: ディープラーニングの出現により、メトリック学習は、情報検索、オブジェクト認識、レコメンデーションシステムなど、複雑で大規模なデータセットを扱う多くの機械学習タスクで大きな人気を得ている。 メトリック学習は、クラス間の類似性を最大化し、最小化する。 しかし、既存のモデルは、主に分離可能な埋め込み空間を得るための距離測度に依存し、クラス間の関係を無視しながらクラス内類似性を暗黙的に最大化する。 高性能なディープラーニングアプリケーションのためのサービスとしてメトリック学習を有効にするためには、クラス間の関係を賢く扱い、より高度で意味のある埋め込み空間表現を得る必要がある。 本稿では,埋め込み空間におけるデータポイント間の線形関係の方向を示すために共分散を組み込んだサービス手法として,新しい計量学習を提案する。 従来の計量学習とは異なり、我々の共分散埋め込み強化アプローチは、サービスとしてのメートル法学習が、類似または異種の測度を計算するためにより表現力があり、正、負、中立の関係を捉えることができる。 自然, バイオメディカル, 顔画像など, さまざまなベンチマークデータセットを用いて実施した大規模な実験により, 共分散埋め込み最適化サービスとしてのモデルが, 既存のモデルよりも高品質で分離性が高く, 表現力に富んだ埋め込み表現を得ることができることを示した。

関連論文リスト

• Semantic-Enhanced Relational Metric Learning for Recommender Systems [27.330164862413184]
  近年,知識グラフの翻訳機構に触発された推薦コミュニティにおいて,計量学習手法が注目されている。 本稿では,推薦システムにおける問題に対処するためのセマンティック拡張メトリックラーニングフレームワークを提案する。 具体的には、まず、豊富な特徴とパーソナライズされたユーザー嗜好を含む対象レビューから意味信号を抽出する。 次に、抽出した意味信号を利用して、新しい回帰モデルを設計し、元の関係に基づくトレーニングプロセスの識別能力を向上させる。
  論文  参考訳（メタデータ） (2024-06-07T11:54:50Z)
• DiffKendall: A Novel Approach for Few-Shot Learning with Differentiable Kendall's Rank Correlation [16.038667928358763]
  ほとんどショットラーニングは、ベースデータセットでトレーニングされたモデルを、それまでモデルで見られていなかった新しいタスクに適応することを目的としていない。 これはしばしば、新しいクラスのチャネルにまたがって、機能値の比較的均一な分布をもたらす。 特徴チャネルのランク付けの重要性は、幾何学的類似度指標よりも、数ショット学習においてより信頼性の高い指標であることが示される。
  論文  参考訳（メタデータ） (2023-07-28T05:32:56Z)
• Self-Taught Metric Learning without Labels [47.832107446521626]
  教師なしメトリック学習のための新しい自己学習フレームワークを提案する。 埋め込みモデルの移動平均を通してデータ間のクラス等価関係を予測し、予測された関係を擬似ラベルとして学習する。
  論文  参考訳（メタデータ） (2022-05-04T05:48:40Z)
• Weak Augmentation Guided Relational Self-Supervised Learning [80.0680103295137]
  本稿では、異なるインスタンス間の関係をモデル化して表現を学習する新しいリレーショナル自己教師型学習(ReSSL)フレームワークを提案する。 提案手法では,異なるインスタンス間でのペアワイズ類似度の分布を,テクトitrelationmetricとして高めている。 実験の結果,提案したReSSLは,ネットワークアーキテクチャの異なる最先端手法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2022-03-16T16:14:19Z)
• Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
  適応的階層的類似度メトリック学習法を提案する。 ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。 提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-29T02:12:18Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• ReSSL: Relational Self-Supervised Learning with Weak Augmentation [68.47096022526927]
  自己教師付き学習は、データアノテーションなしで視覚表現を学ぶことに成功しました。 本稿では,異なるインスタンス間の関係をモデル化して表現を学習する新しいリレーショナルSSLパラダイムを提案する。 提案したReSSLは,性能とトレーニング効率の両面で,従来の最先端アルゴリズムよりも大幅に優れています。
  論文  参考訳（メタデータ） (2021-07-20T06:53:07Z)
• Embedding Transfer with Label Relaxation for Improved Metric Learning [43.94511888670419]
  本稿では,学習した埋め込みモデルの知識を他へ伝達する,新しい埋め込み変換手法を提案する。 本手法は,ソース埋め込み空間のサンプル間の類似性を知識として活用し,対象埋め込みモデルの学習に用いる損失を伝達する。
  論文  参考訳（メタデータ） (2021-03-27T13:35:03Z)
• Memory-Augmented Relation Network for Few-Shot Learning [114.47866281436829]
  本研究では,新しい距離学習手法であるメモリ拡張リレーショナルネットワーク(MRN)について検討する。 MRNでは、作業状況と視覚的に類似したサンプルを選択し、重み付け情報伝搬を行い、選択したサンプルから有用な情報を注意深く集約し、その表現を強化する。 我々は、MRNが祖先よりも大幅に向上し、他の数発の学習手法と比較して、競争力や性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-05-09T10:09:13Z)

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。