論文の概要: HIER: Metric Learning Beyond Class Labels via Hierarchical Regularization

• arxiv url: http://arxiv.org/abs/2212.14258v3
• Date: Mon, 10 Apr 2023 07:48:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 21:12:51.319227
• Title: HIER: Metric Learning Beyond Class Labels via Hierarchical Regularization
• Title（参考訳）: HIER:階層的正規化によるクラスラベルを越えたメトリクス学習
• Authors: Sungyeon Kim, Boseung Jeong, Suha Kwak
• Abstract要約: 我々は、トレーニングデータの潜在意味階層を見つけるためにHIERと呼ばれる新しい正規化手法を提案する。 HIERはこの目的を意味階層のアノテーションなしで達成し、双曲空間における階層的プロキシを学習する。
• 参考スコア（独自算出の注目度）: 17.575016642108253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supervision for metric learning has long been given in the form of equivalence between human-labeled classes. Although this type of supervision has been a basis of metric learning for decades, we argue that it hinders further advances in the field. In this regard, we propose a new regularization method, dubbed HIER, to discover the latent semantic hierarchy of training data, and to deploy the hierarchy to provide richer and more fine-grained supervision than inter-class separability induced by common metric learning losses.HIER achieves this goal with no annotation for the semantic hierarchy but by learning hierarchical proxies in hyperbolic spaces. The hierarchical proxies are learnable parameters, and each of them is trained to serve as an ancestor of a group of data or other proxies to approximate the semantic hierarchy among them. HIER deals with the proxies along with data in hyperbolic space since the geometric properties of the space are well-suited to represent their hierarchical structure. The efficacy of HIER is evaluated on four standard benchmarks, where it consistently improved the performance of conventional methods when integrated with them, and consequently achieved the best records, surpassing even the existing hyperbolic metric learning technique, in almost all settings.
• Abstract（参考訳）: メトリック学習の監督は、長い間、人間ラベルのクラス間の等価性という形で行われてきた。 この種の監督は、何十年にもわたってメートル法学習の基礎であったが、この分野のさらなる進歩を妨げると我々は主張する。 本研究では,一般的なメトリック学習損失によって生じるクラス間分離性よりも,よりリッチで細かい監督を提供するために,トレーニングデータの潜在意味階層を発見し,階層構造を展開するhierと呼ばれる新しい正規化手法を提案し,意味階層のアノテーションを使わずに,双曲空間における階層的プロキシを学習することで,この目標を達成する。 階層的プロキシは学習可能なパラメータであり、それぞれがデータまたは他のプロキシのグループの祖先として機能するように訓練され、それらのセマンティック階層を近似する。 HIER は双曲空間のデータとともにプロキシを扱うが、これは空間の幾何学的性質がその階層構造を表現するのに適しているからである。 HIER の有効性は4つの標準ベンチマークで評価され,従来の手法と統合した場合の性能を一貫して改善し,その結果,既存のハイパーボリックな計量学習手法をほぼすべての設定で超越した最高記録を達成した。

関連論文リスト

• OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation [69.37484603556307]
  Un Semantic segmenting (USS)は、事前に定義されたラベルに頼ることなく、イメージをセグメント化する。 上記の問題を同時に解決するために,OMH (Optimally Matched Hierarchy) という新しいアプローチを導入する。 我々のOMHは既存のUSS法と比較して教師なしセグメンテーション性能がよい。
  論文  参考訳（メタデータ） (2024-03-11T09:46:41Z)
• Inspecting class hierarchies in classification-based metric learning models [0.0]
  我々は、ベンチマークと実世界のデータセット上で、いくつかのトレーニングオプションを備えたソフトマックス分類器と3つのメトリック学習モデルを訓練する。 我々は,学習したクラスの代表者や階層的インフォームドのパフォーマンス,すなわち分類性能とメートル法学習性能を事前に定義された階層構造を考慮し,階層的推論性能を評価する。
  論文  参考訳（メタデータ） (2023-01-26T12:40:12Z)
• Hyperbolic Hierarchical Contrastive Hashing [41.06974763117755]
  HHCH(Hyperbolic Hierarchical Contrastive Hashing)と呼ばれる新しい教師なしハッシュ法を提案する。 連続ハッシュコードを双曲空間に埋め込んで,正確な意味表現を行う。 さらに、K-Meansアルゴリズムを双曲空間に拡張し、提案した階層的双曲的K-Meansアルゴリズムを実行し、階層的意味構造を適応的に構築する。
  論文  参考訳（メタデータ） (2022-12-17T15:34:55Z)
• Weakly-supervised Action Localization via Hierarchical Mining [76.00021423700497]
  弱教師付きアクションローカライゼーションは、ビデオレベルの分類ラベルだけで、与えられたビデオ内のアクションインスタンスを時間的にローカライズし、分類することを目的としている。 ビデオレベルおよびスニペットレベルでの階層的マイニング戦略,すなわち階層的監視と階層的一貫性マイニングを提案する。 我々は、HiM-NetがTHUMOS14とActivityNet1.3データセットの既存の手法よりも、階層的に監督と一貫性をマイニングすることで、大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2022-06-22T12:19:09Z)
• Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
  本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。 比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
  論文  参考訳（メタデータ） (2022-04-27T21:41:44Z)
• Hierarchical Proxy-based Loss for Deep Metric Learning [32.10423536428467]
  プロキシベースのメトリック学習の損失は、高速収束とトレーニングの複雑さが低いため、ペアベースの損失よりも優れている。 我々は,この暗黙の階層を,プロキシに階層構造を課すことで活用するフレームワークを提案する。 その結果、階層型プロキシベースの損失フレームワークは、既存のプロキシベースの損失のパフォーマンスを改善します。
  論文  参考訳（メタデータ） (2021-03-25T00:38:33Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Joint Learning of Hyperbolic Label Embeddings for Hierarchical Multi-label Classification [9.996804039553858]
  ラベルが階層内に存在するマルチラベル分類の問題を検討する。 共同学習のための新しい定式化を提案し,その効果を実証的に評価する。
  論文  参考訳（メタデータ） (2021-01-13T10:58:54Z)
• Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
  提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。 実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
  論文  参考訳（メタデータ） (2020-09-12T17:36:53Z)
• Leveraging Class Hierarchies with Metric-Guided Prototype Learning [5.070542698701158]
  多くの分類タスクでは、ターゲットクラスのセットは階層に分類できる。 この構造はクラス間の意味的距離を誘導し、コスト行列の形で要約することができる。 本稿では,この指標を原型ネットワークの監視に組み込むことにより,階層型クラス構造をモデル化することを提案する。
  論文  参考訳（メタデータ） (2020-07-06T20:22:08Z)
• Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
  まずラベル階層の知識を任意のCNNベースの分類器に注入する。 画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2020-04-02T10:22:02Z)

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。