Fugu-MT 論文翻訳(概要): ClueGAIN: Application of Transfer Learning On Generative Adversarial Imputation Nets (GAIN)

論文の概要: ClueGAIN: Application of Transfer Learning On Generative Adversarial Imputation Nets (GAIN)

arxiv url: http://arxiv.org/abs/2302.03140v1
Date: Mon, 6 Feb 2023 22:04:35 GMT
ステータス: 処理完了
システム内更新日: 2023-02-08 18:03:37.663774
Title: ClueGAIN: Application of Transfer Learning On Generative Adversarial Imputation Nets (GAIN)
Title（参考訳）: ClueGAIN:Transfer LearningのGAIN(Generative Adversarial Imputation Nets)への応用
Authors: Simiao Zhao
Abstract要約: 本研究では,GAN(Generative Adversarial Imputation Nets)へのトランスファーラーニングを導入し,高損失率データセットにおける計算性能の低下を解消する。 ClueGAINは、データセット間の類似度の測定や、潜在的な接続の探索にも使用することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Many studies have attempted to solve the problem of missing data using various approaches. Among them, Generative Adversarial Imputation Nets (GAIN) was first used to impute data with Generative Adversarial Nets (GAN) and good results were obtained. Subsequent studies have attempted to combine various approaches to address some of its limitations. ClueGAIN is first proposed in this study, which introduces transfer learning into GAIN to solve the problem of poor imputation performance in high missing rate data sets. ClueGAIN can also be used to measure the similarity between data sets to explore their potential connections.
Abstract（参考訳）: 多くの研究が様々な手法でデータの欠落を解決しようと試みている。このうち、GAIN(Generative Adversarial Imputation Nets)は、まずGAN(Generative Adversarial Nets)を用いてデータをインプットするために使われ、良好な結果を得た。その後の研究は、いくつかの制限に対処するために様々なアプローチを組み合わせることを試みた。本研究では,高欠落率データセットのインプテーション性能の低下問題を解決するために,ゲインに転送学習を導入することを提案する。 ClueGAINは、データセット間の類似度を測定し、潜在的な接続を探索するためにも使用できる。

関連論文リスト

Simple Ingredients for Offline Reinforcement Learning [86.1988266277766]
オフライン強化学習アルゴリズムは、ターゲット下流タスクに高度に接続されたデータセットに有効であることが証明された。既存の手法が多様なデータと競合することを示す。その性能は、関連するデータ収集によって著しく悪化するが、オフラインバッファに異なるタスクを追加するだけでよい。アルゴリズム的な考慮以上のスケールが、パフォーマンスに影響を及ぼす重要な要因であることを示す。
論文参考訳（メタデータ） (2024-03-19T18:57:53Z)
Estimation of individual causal effects in network setup for multiple treatments [4.53340898566495]
個別治療効果 (ITE) の推定問題について, 複数の治療と観察データを用いて検討した。我々は、共同創設者の共有表現を学ぶために、Graph Convolutional Networks(GCN)を採用しています。アプローチでは、個別のニューラルネットワークを使用して、各治療の潜在的な結果を推測する。
論文参考訳（メタデータ） (2023-12-18T06:07:45Z)
Learning A Disentangling Representation For PU Learning [18.94726971543125]
本稿では、ラベルのないデータを2つのクラスタに投影するロス関数を用いて、ニューラルネットワークに基づくデータ表現を学習することを提案する。提案手法の性能向上を実証する PU データのシミュレーション実験を行った。
論文参考訳（メタデータ） (2023-10-05T18:33:32Z)
Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
論文参考訳（メタデータ） (2023-05-22T13:48:30Z)
Linking data separation, visual separation, and classifier performance using pseudo-labeling by contrastive learning [125.99533416395765]
最終分類器の性能は、潜在空間に存在するデータ分離と、射影に存在する視覚的分離に依存すると論じる。本研究は,ヒト腸管寄生虫の5つの現実的課題の画像データセットを1%の教師付きサンプルで分類し,その結果を実証する。
論文参考訳（メタデータ） (2023-02-06T10:01:38Z)
Personalized Decentralized Multi-Task Learning Over Dynamic Communication Graphs [59.96266198512243]
本稿では,正と負の相関関係を持つタスクに対する分散・フェデレーション学習アルゴリズムを提案する。本アルゴリズムでは,タスク間の相関関係を自動的に計算し,コミュニケーショングラフを動的に調整して相互に有益なタスクを接続し,互いに悪影響を及ぼす可能性のあるタスクを分離する。合成ガウスデータセットと大規模セレブ属性(CelebA)データセットについて実験を行った。
論文参考訳（メタデータ） (2022-12-21T18:58:24Z)
Population Template-Based Brain Graph Augmentation for Improving One-Shot Learning Classification [0.0]
ワンショット学習は、ディープラーニングの最も困難でトレンドになっている概念の1つだ。提案手法をアルツハイマー病と脳コネクトームからなるAD/LMCIデータセット上でベンチマークした。分類の結果は,1つのサンプルから得られた拡張データを導入した場合の精度が向上するだけでなく,他の指標よりもバランスの取れた結果が得られた。
論文参考訳（メタデータ） (2022-12-14T14:56:00Z)
Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文参考訳（メタデータ） (2021-11-03T03:50:48Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
Categorical EHR Imputation with Generative Adversarial Nets [11.171712535005357]
本稿では,データ計算のためのGANに関する従来の研究を基にした,シンプルで効果的な手法を提案する。従来のデータ計算手法に比べて予測精度が大幅に向上していることを示す。
論文参考訳（メタデータ） (2021-08-03T18:50:26Z)
PC-GAIN: Pseudo-label Conditional Generative Adversarial Imputation Networks for Incomplete Data [19.952411963344556]
PC-GAIN(PC-GAIN)は、PC-GAIN(PC-GAIN)と呼ばれる新しい教師なしデータ計算法である。まず,低損失率データのサブセットに含まれる潜在的なカテゴリ情報を学習するための事前学習手順を提案する。そして、合成擬似ラベルを用いて補助分類器を決定する。
論文参考訳（メタデータ） (2020-11-16T08:08:26Z)

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。