論文の概要: SemSup-XC: Semantic Supervision for Zero and Few-shot Extreme Classification

• arxiv url: http://arxiv.org/abs/2301.11309v1
• Date: Thu, 26 Jan 2023 18:49:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-27 12:49:57.472598
• Title: SemSup-XC: Semantic Supervision for Zero and Few-shot Extreme Classification
• Title（参考訳）: SemSup-XC:zeroとFew-shot Extremeのセマンティックスーパービジョン
• Authors: Pranjal Aggarwal, Ameet Deshpande, Karthik Narasimhan
• Abstract要約: SemSup-XCは3つのXCデータセット上で最先端のゼロショットと少数ショットのパフォーマンスを実現するモデルである。 自動収集されたセマンティッククラス記述を用いて、クラスを表現し、新しいハイブリッドマッチングモジュールによる一般化を容易にする。 対照的な学習でトレーニングされたSemSup-XCは、ベースラインを著しく上回り、考慮された3つのデータセットすべてに対して最先端のパフォーマンスを確立する。
• 参考スコア（独自算出の注目度）: 22.053123036772053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extreme classification (XC) involves predicting over large numbers of classes (thousands to millions), with real-world applications like news article classification and e-commerce product tagging. The zero-shot version of this task requires generalization to novel classes without additional supervision. In this paper, we develop SemSup-XC, a model that achieves state-of-the-art zero-shot and few-shot performance on three XC datasets derived from legal, e-commerce, and Wikipedia data. To develop SemSup-XC, we use automatically collected semantic class descriptions to represent classes and facilitate generalization through a novel hybrid matching module that matches input instances to class descriptions using a combination of semantic and lexical similarity. Trained with contrastive learning, SemSup-XC significantly outperforms baselines and establishes state-of-the-art performance on all three datasets considered, gaining up to 12 precision points on zero-shot and more than 10 precision points on one-shot tests, with similar gains for recall@10. Our ablation studies highlight the relative importance of our hybrid matching module and automatically collected class descriptions.
• Abstract（参考訳）: エクストリーム分類(xc)は、ニュース記事の分類やeコマース商品のタグ付けといった現実世界のアプリケーションを含む、大量のクラス(数千から数百万)の予測を伴う。 このタスクのゼロショットバージョンは、追加の監督なしで新しいクラスへの一般化を必要とする。 本稿では,法的,電子商取引,ウィキペディアのデータから得られた3つのXCデータセットに対して,最先端のゼロショットと少数ショットのパフォーマンスを実現するモデルであるSemSup-XCを開発する。 SemSup-XCを開発するために、セマンティッククラス記述を自動的に収集し、クラスを表現し、セマンティックと語彙の類似性を組み合わせた入力インスタンスとクラス記述をマッチングする新しいハイブリッドマッチングモジュールによる一般化を容易にする。 対照的な学習でトレーニングされたsemsup-xcは、ベースラインを著しく上回り、3つのデータセットすべてで最先端のパフォーマンスを確立し、ゼロショットで最大12点、ワンショットテストで10点以上を獲得し、リコール@10も同様に向上した。 アブレーション研究では,ハイブリッドマッチングモジュールの相対的重要性とクラス記述の自動収集が強調された。

関連論文リスト

• Exploring Fine-grained Retail Product Discrimination with Zero-shot Object Classification Using Vision-Language Models [50.370043676415875]
  スマートリテールアプリケーションでは、多数の製品とその頻繁なターンオーバーは信頼性の高いゼロショットオブジェクト分類方法を必要とする。 我々は28の異なる製品カテゴリからなるMIMEXデータセットを紹介した。 我々は、提案したMIMEXデータセット上で、最先端ビジョン言語モデル(VLM)のゼロショットオブジェクト分類性能をベンチマークする。
  論文  参考訳（メタデータ） (2024-09-23T12:28:40Z)
• Transductive Zero-Shot and Few-Shot CLIP [24.592841797020203]
  本稿では,トランスダクティブなゼロショットと少数ショットのCLIP分類問題に対処する。 推論は、各インスタンスを独立して扱うのではなく、ラベルのないクエリサンプルのミニバッチで共同で実行される。 提案手法は,CLIPのゼロショット性能に対して,画像ネットの精度を約20%向上させる。
  論文  参考訳（メタデータ） (2024-04-08T12:44:31Z)
• Towards Realistic Zero-Shot Classification via Self Structural Semantic Alignment [53.2701026843921]
  大規模事前訓練型視覚言語モデル(VLM)はゼロショット分類に有効であることが証明されている。 本稿では,アノテーションではなく,より広い語彙を前提とした,より難易度の高いゼロショット分類(Realistic Zero-Shot Classification)を提案する。 本稿では,ラベルのないデータから構造意味情報を抽出し,同時に自己学習を行う自己構造意味アライメント(S3A)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-24T17:56:46Z)
• What a MESS: Multi-Domain Evaluation of Zero-Shot Semantic Segmentation [2.7036595757881323]
  セマンティック(MESS)のマルチドメイン評価のためのベンチマークを構築した。 MESSは、幅広いドメイン固有のデータセットにわたるパフォーマンスの全体的な分析を可能にする。 提案したMESSベンチマークを用いて,最近発表された8つのモデルを評価し,ゼロショット転送モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2023-06-27T14:47:43Z)
• MSeg: A Composite Dataset for Multi-domain Semantic Segmentation [100.17755160696939]
  セマンティックセグメンテーションデータセットを異なるドメインから統合する合成データセットであるMSegを提案する。 一般化と画素レベルのアノテーションのアライメントを調整し,2万枚以上のオブジェクトマスクを8万枚以上の画像で再現する。 MSegでトレーニングされたモデルは、WildDash-v1のリーダーボードで、トレーニング中にWildDashのデータに触れることなく、堅牢なセマンティックセグメンテーションのためにランク付けされている。
  論文  参考訳（メタデータ） (2021-12-27T16:16:35Z)
• Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
  我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。 これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
  論文  参考訳（メタデータ） (2021-06-20T17:34:55Z)
• Generative Multi-Label Zero-Shot Learning [136.17594611722285]
  マルチラベルゼロショット学習は、トレーニング中にデータが入手できない複数の見えないカテゴリにイメージを分類する試みである。 我々の研究は、(一般化された)ゼロショット設定におけるマルチラベル機能の問題に最初に取り組みました。 私たちのクロスレベル核融合に基づく生成アプローチは、3つのデータセットすべてにおいて最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2021-01-27T18:56:46Z)
• CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action Recognition [52.66360172784038]
  各インスタンスを個別に最適化するのではなく,すべてのトレーニングサンプルを同時に考慮したクラスタリングモデルを提案する。 提案手法をCLASTERと呼び,すべての標準データセットの最先端性を常に改善することを確認する。
  論文  参考訳（メタデータ） (2021-01-18T12:46:24Z)

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。