論文の概要: Co-supervised learning paradigm with conditional generative adversarial
networks for sample-efficient classification
- arxiv url: http://arxiv.org/abs/2212.13589v1
- Date: Tue, 27 Dec 2022 19:24:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 14:54:04.655980
- Title: Co-supervised learning paradigm with conditional generative adversarial
networks for sample-efficient classification
- Title（参考訳）: サンプル効率分類のための条件付き生成対向ネットワークを用いた協調教師付き学習パラダイム
- Authors: Hao Zhen, Yucheng Shi, Jidong J. Yang, and Javad Mohammadpour Vehni
- Abstract要約: 本稿では,サンプル効率のよい協調学習パラダイム(SEC-CGAN)を提案する。
SEC-CGANは、分類器と共にトレーニングされ、トレーニングプロセス中に注釈付きデータにセマンティクスを条件付き、信頼性に配慮した合成例を補完する。
実験により、SEC-CGAN は外部分類器 GAN とベースライン ResNet-18 の分類器より優れていることが示された。
- 参考スコア（独自算出の注目度）: 8.27719348049333
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Classification using supervised learning requires annotating a large amount
of classes-balanced data for model training and testing. This has practically
limited the scope of applications with supervised learning, in particular deep
learning. To address the issues associated with limited and imbalanced data,
this paper introduces a sample-efficient co-supervised learning paradigm
(SEC-CGAN), in which a conditional generative adversarial network (CGAN) is
trained alongside the classifier and supplements semantics-conditioned,
confidence-aware synthesized examples to the annotated data during the training
process. In this setting, the CGAN not only serves as a co-supervisor but also
provides complementary quality examples to aid the classifier training in an
end-to-end fashion. Experiments demonstrate that the proposed SEC-CGAN
outperforms the external classifier GAN (EC-GAN) and a baseline ResNet-18
classifier. For the comparison, all classifiers in above methods adopt the
ResNet-18 architecture as the backbone. Particularly, for the Street View House
Numbers dataset, using the 5% of training data, a test accuracy of 90.26% is
achieved by SEC-CGAN as opposed to 88.59% by EC-GAN and 87.17% by the baseline
classifier; for the highway image dataset, using the 10% of training data, a
test accuracy of 98.27% is achieved by SEC-CGAN, compared to 97.84% by EC-GAN
and 95.52% by the baseline classifier.
- Abstract（参考訳）: 教師付き学習を用いた分類では、モデルトレーニングとテストのために大量のクラスバランスデータを注釈付けする必要がある。
これは、教師付き学習、特にディープラーニングのアプリケーションの範囲を事実上制限している。
本稿では, 限定的かつ不均衡なデータに関する問題に対処するために, 条件付き生成敵ネットワーク (cgan) を分類器と共に訓練し, 学習過程中の注釈付きデータに対して意味的条件付き, 信頼度対応型合成例を補足する, サンプル効率の高い共同教師付き学習パラダイム (sec-cgan) を提案する。
この設定では、CGANはコスーパーバイザとして機能するだけでなく、エンドツーエンドで分類器のトレーニングを支援するための補完的な品質の例も提供する。
実験により、SEC-CGAN は外部分類器 GAN (EC-GAN) とベースラインの ResNet-18 分類器より優れていることが示された。
比較のために、上記のメソッドのすべての分類器は、バックボーンとしてresnet-18アーキテクチャを採用する。
特に、ストリートビューハウス番号データセットでは、トレーニングデータの5%を用いて、ベースライン分類器の88.59%、ベースライン分類器の87.17%に対して、テスト精度90.26%がSEC-CGANにより達成され、トレーニングデータの10%を使用して、試験精度98.27%がSEC-CGANによって達成され、EC-GANでは97.84%、ベースライン分類器では95.52%が達成される。
関連論文リスト
- Self-Supervised Learning Based Handwriting Verification [23.983430206133793]
ResNetベースの変分オートエンコーダ(VAE)は76.3%の精度で他の生成手法よりも優れていることを示す。
著者検証の下流作業にVAEとVICRegを併用し,ResNet-18の教師付きベースラインを10%のライターラベルで比較したところ,精度は6.7%,9%向上した。
論文 参考訳（メタデータ） (2024-05-28T16:11:11Z) - Semi-Supervised SAR ATR Framework with Transductive Auxiliary
Segmentation [16.65792542181861]
トランスダクティブ補助ATR(SFAS)を用いた半教師付きSARフレームワークを提案する。
SFASは、レギュレータとして機能する補助損失を持つ、利用可能な未ラベルサンプルのトランスダクティブ一般化の活用に重点を置いている。
94.18%の認識性能は各クラスで20のトレーニングサンプルで達成でき、同時に正確なセグメンテーション結果が得られる。
論文 参考訳（メタデータ） (2023-08-31T11:00:05Z) - Deep Clustering with Features from Self-Supervised Pretraining [16.023354174462774]
ディープクラスタリングモデルは概念的には、データポイントを潜在空間にマッピングする特徴抽出器と、データポイントを潜在空間内のクラスタにグループ化するクラスタリングヘッドで構成される。
第1段階では、特徴抽出器は、データポイント間のクラスタ構造の保存を可能にする自己教師付き学習によって訓練される。
我々は,第1段階を,自己教師付き学習を通じて,より大規模なデータセット上で事前訓練された別のモデルに置き換えることを提案する。
論文 参考訳（メタデータ） (2022-07-27T08:38:45Z) - Class-Aware Contrastive Semi-Supervised Learning [51.205844705156046]
本研究では,擬似ラベル品質を向上し,実環境におけるモデルの堅牢性を高めるため,CCSSL(Class-Aware Contrastive Semi-Supervised Learning)と呼ばれる一般的な手法を提案する。
提案するCCSSLは,標準データセットCIFAR100とSTL10の最先端SSLメソッドに対して,大幅な性能向上を実現している。
論文 参考訳（メタデータ） (2022-03-04T12:18:23Z) - LGD: Label-guided Self-distillation for Object Detection [59.9972914042281]
我々はLGD(Label-Guided Self-Distillation)と呼ばれる汎用物体検出のための最初の自己蒸留フレームワークを提案する。
本フレームワークは, 学習知識を得るために, スパースラベル-外観符号化, オブジェクト間関係適応, オブジェクト内知識マッピングを含む。
従来の教師ベースのFGFIと比較すると、LGDは予習された教師を必要とせず、本質的な学生学習よりも51%低い訓練コストで性能が向上する。
論文 参考訳（メタデータ） (2021-09-23T16:55:01Z) - Semantic Perturbations with Normalizing Flows for Improved
Generalization [62.998818375912506]
我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。
トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
論文 参考訳（メタデータ） (2021-08-18T03:20:00Z) - SCARF: Self-Supervised Contrastive Learning using Random Feature
Corruption [72.35532598131176]
本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。
SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
論文 参考訳（メタデータ） (2021-06-29T08:08:33Z) - Class Balancing GAN with a Classifier in the Loop [58.29090045399214]
本稿では,GANを学習するための理論的動機付けクラスバランス正則化器を提案する。
我々の正規化器は、訓練済みの分類器からの知識を利用して、データセット内のすべてのクラスのバランスの取れた学習を確実にします。
複数のデータセットにまたがる既存手法よりも優れた性能を達成し,長期分布の学習表現における正規化器の有用性を実証する。
論文 参考訳（メタデータ） (2021-06-17T11:41:30Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z) - Common Spatial Generative Adversarial Networks based EEG Data
Augmentation for Cross-Subject Brain-Computer Interface [4.8276709243429]
脳波に基づく脳-コンピュータインタフェース(BCI)のクロスオブジェクト応用は、知覚が難しい大きな個人差と複雑な特徴によって常に制限されてきた。
CS-GAN(Common Space GAN)と呼ばれるGAN(Generative Adversarial Network)に基づくクロスオブジェクトEEG分類フレームワークを提案する。
我々のフレームワークは、オブジェクト間の問題に対処し、BCIの実践的応用を促進するための有望な方法を提供する。
論文 参考訳（メタデータ） (2021-02-08T10:37:03Z)
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。