論文の概要: Novel Class Discovery: an Introduction and Key Concepts

• arxiv url: http://arxiv.org/abs/2302.12028v1
• Date: Wed, 22 Feb 2023 10:07:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-24 14:57:06.081466
• Title: Novel Class Discovery: an Introduction and Key Concepts
• Title（参考訳）: 斬新なクラス発見:序論とキーコンセプト
• Authors: Colin Troisemaine and Vincent Lemaire and St\'ephane Gosselin and Alexandre Reiffers-Masson and Joachim Flocon-Cholet and Sandrine Vaton
• Abstract要約: 新たなクラスディスカバリ(NCD)は、既知のクラスのラベル付きセットと、発見しなければならない異なるクラスのラベル付きセットをトレーニング中に与えられる、成長する分野です。 本稿では,最先端のNCD手法に関する包括的調査を行う。
• 参考スコア（独自算出の注目度）: 54.11148718494725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Novel Class Discovery (NCD) is a growing field where we are given during training a labeled set of known classes and an unlabeled set of different classes that must be discovered. In recent years, many methods have been proposed to address this problem, and the field has begun to mature. In this paper, we provide a comprehensive survey of the state-of-the-art NCD methods. We start by formally defining the NCD problem and introducing important notions. We then give an overview of the different families of approaches, organized by the way they transfer knowledge from the labeled set to the unlabeled set. We find that they either learn in two stages, by first extracting knowledge from the labeled data only and then applying it to the unlabeled data, or in one stage by conjointly learning on both sets. For each family, we describe their general principle and detail a few representative methods. Then, we briefly introduce some new related tasks inspired by the increasing number of NCD works. We also present some common tools and techniques used in NCD, such as pseudo labeling, self-supervised learning and contrastive learning. Finally, to help readers unfamiliar with the NCD problem differentiate it from other closely related domains, we summarize some of the closest areas of research and discuss their main differences.
• Abstract（参考訳）: 新たなクラスディスカバリ(NCD)は、既知のクラスのラベル付きセットと、発見しなければならない異なるクラスのラベル付きセットをトレーニング中に与えられる、成長する分野です。 近年,この問題に対処する多くの手法が提案され,分野が成熟し始めている。 本稿では,最先端のNCD手法に関する包括的調査を行う。 まず、NCD問題を正式に定義し、重要な概念を導入することから始める。 次に、ラベル付き集合からラベル付き集合への知識の伝達方法によって組織されたアプローチの異なるファミリーの概要を示す。 まずラベル付きデータのみから知識を抽出し,ラベルなしデータに適用し,あるいは両データセットを共用的に学習することで,学習を2段階に分けた。 それぞれの家族について、一般的な原則を説明し、いくつかの代表的な方法を詳述する。 次に,NCD作業の増加に触発された新たなタスクについて紹介する。 また,疑似ラベリングや自己教師付き学習,コントラスト学習など,ncdで使用される一般的なツールやテクニックも紹介する。 最後に,NCD問題に精通していない読者が他の近縁領域と区別するために,最も近い研究領域をいくつか要約し,その主な相違点について論じる。

関連論文リスト

• Exclusive Style Removal for Cross Domain Novel Class Discovery [15.868889486516306]
  新たなクラスディスカバリ(NCD)は,オープンワールド学習において有望な分野である。 本稿では,基本特徴と異なるスタイル情報を抽出するための排他的スタイル除去モジュールを提案する。 このモジュールは他のNCDメソッドと簡単に統合でき、異なるディストリビューションを持つ新しいクラスのパフォーマンスを向上させるプラグインとして機能する。
  論文  参考訳（メタデータ） (2024-06-26T07:44:27Z)
• Federated Learning for Generalization, Robustness, Fairness: A Survey and Benchmark [55.898771405172155]
  フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。 我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2023-11-12T06:32:30Z)
• A Practical Approach to Novel Class Discovery in Tabular Data [38.41548083078336]
  新規クラスディスカバリー(英: Novel Class Discovery, NCD)は、未知のクラスを正確に分割するために、ラベル付けされた既知のクラスの集合から知識を抽出する問題である。 本研究では、$k$-foldのクロスバリデーションプロセスを適用し、既知のクラスの一部を各フォルダに隠すことで、NCDメソッドのハイパーパラメータを調整することを提案する。 この手法の潜在空間は,新規クラスの数を確実に推定するために有効であることがわかった。
  論文  参考訳（メタデータ） (2023-11-09T15:24:44Z)
• Recent Advances on Federated Learning: A Systematic Survey [3.6799810892671805]
  フェデレートラーニングは、異なる当事者間のプライバシー保護共同学習を実現することを目的としている。 我々は,フェデレートされたシナリオにおけるパイプラインと課題の観点から,フェデレートされた学習の新しい分類法を提案する。 代表的なフェデレーション学習フレームワークを概説し、その機能を紹介します。
  論文  参考訳（メタデータ） (2023-01-03T14:19:03Z)
• D\'ecouvrir de nouvelles classes dans des donn\'ees tabulaires [54.11148718494725]
  Novel Class Discovery (NCD) において、ゴールは、既知のクラスと異なるクラスのラベル付きセットが与えられたラベルのないセットで新しいクラスを見つけることである。 異種データにおける新しいクラスの発見過程を導くために,すでに知られているクラスから知識を抽出する方法を示す。
  論文  参考訳（メタデータ） (2022-11-28T09:48:55Z)
• A Closer Look at Novel Class Discovery from the Labeled Set [13.31397670697559]
  新たなクラス発見(NCD)は、非結合クラスを含むラベル付き集合の事前知識を活用するラベル付きデータセットにおいて、新しいカテゴリを推論することを目的としている。 我々は,NCDがラベル付き集合よりも,ラベル付き集合と大きなセマンティック類似性を持つラベル付き集合の恩恵を受けることができるという仮説を提案し,実証する。 具体的には、ImageNet上のラベル付きデータセットとラベル付きデータセットのセマンティックな類似度が異なる、広範囲で大規模なベンチマークを確立する。
  論文  参考訳（メタデータ） (2022-09-19T15:41:44Z)
• A Method for Discovering Novel Classes in Tabular Data [54.11148718494725]
  Novel Class Discovery (NCD) において、ゴールは、既知のクラスと異なるクラスのラベル付きセットが与えられたラベルのないセットで新しいクラスを見つけることである。 異種データにおける新しいクラスの発見過程を導くために,すでに知られているクラスから知識を抽出する方法を示す。
  論文  参考訳（メタデータ） (2022-09-02T11:45:24Z)
• Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
  本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。 特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。 このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
  論文  参考訳（メタデータ） (2022-07-18T18:41:36Z)
• A Unified Objective for Novel Class Discovery [48.1003877511578]
  新たなクラスを発見するための統一目的関数(UNO)を導入する。 UNOは教師なし学習と教師なし学習の相乗効果を好んでいる。 その単純さにもかかわらず、UNOはいくつかのベンチマークで最先端の技術を誇っている。
  論文  参考訳（メタデータ） (2021-08-19T07:22:29Z)

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。