論文の概要: On the link between generative semi-supervised learning and generative open-set recognition

• arxiv url: http://arxiv.org/abs/2303.11702v3
• Date: Wed, 28 Jun 2023 12:03:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-29 18:02:13.283359
• Title: On the link between generative semi-supervised learning and generative open-set recognition
• Title（参考訳）: 生成的半教師付き学習と生成的オープンセット認識の関連について
• Authors: Emile Reyn Engelbrecht, Johan du Preez
• Abstract要約: 本研究では,GANにおける半教師付き学習(SSL)とオープンセット認識(OSR)の関係について検討する。 その結果,すべてのSSL-GANとOSR-GANは同じ目標に向かって動作し,SSLに最適化されたMargin-GANがSSL-OSRの組み合わせタスクに対して,新たな最先端を設定できることが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study investigates the relationship between semi-supervised learning (SSL) and open-set recognition (OSR) under the context of generative adversarial networks (GANs). Although no previous study has formally linked SSL and OSR, their respective methods share striking similarities. Specifically, SSL-GANs and OSR-GANs require their generators to produce samples in the complementary space, which are then used to regularise their respective classifier networks. In turn, classifiers trained under SSL and OSR generalise the open space by tightening classification boundaries around the labelled categories. In other words, a classifier trained using an SSL-GAN intrinsically achieves OSR and vice-versa. To prove this SSL-OSR link, we theoretically and experimentally compare the state-of-the-art SSL-GAN with the state-of-the-art OSR-GAN. Our results find that all SSL-GANs and OSR-GANs work towards the same goal, and that the SSL-optimised Margin-GANs set the new state-of-the-art for the combined task of SSL-OSR. Future studies could further explore the theoretical similarities between SSL-GANs and OSR-GANs, as well as extend SSL-OSR to other learning policies.
• Abstract（参考訳）: 本研究では,GANにおける半教師付き学習(SSL)とオープンセット認識(OSR)の関係について検討した。 SSLとOSRを公式にリンクした以前の研究はないが、それぞれの手法は大きな類似点を共有している。 具体的には、SSL-GANとOSR-GANはジェネレータに相補的な空間でサンプルを生成し、それぞれの分類器ネットワークを正規化する。 続いて、sslとosrの下で訓練された分類器はラベル付きカテゴリ周辺の分類境界を厳しくすることでオープンスペースを一般化する。 言い換えれば、SSL-GANを使って訓練された分類器はOSRと逆転を本質的に達成する。 このSSL-OSRリンクを証明するため、理論上、実験的に最先端のSSL-GANと最先端のOSR-GANを比較した。 その結果,すべてのSSL-GANとOSR-GANは同じ目標に向かって動作し,SSLに最適化されたMargin-GANがSSL-OSRの組み合わせタスクに対して,新たな最先端を設定できることがわかった。 将来の研究はSSL-GANとOSR-GANの理論的類似性をさらに探求し、SSL-OSRを他の学習ポリシーに拡張する。

関連論文リスト

• Self-Supervised Anomaly Detection in the Wild: Favor Joint Embeddings Methods [12.277762115388187]
  Self-Supervised Learning (SSL)は、ラベルのないデータから堅牢な表現を学習することで、有望なアプローチを提供する。 本稿では,下水道インフラに着目した実世界の異常検出のためのSSL手法の包括的評価を行う。
  論文  参考訳（メタデータ） (2024-10-05T21:27:47Z)
• On the Discriminability of Self-Supervised Representation Learning [38.598160031349686]
  自己教師付き学習(SSL)は、最近、下流の視覚タスクで大きな成功を収めた。 特に複雑な下流タスクにおいて、SSLと教師あり学習(SL)の間には、注目すべきギャップがまだ残っている。
  論文  参考訳（メタデータ） (2024-07-18T14:18:03Z)
• Learning with Noisy Labels Using Collaborative Sample Selection and Contrastive Semi-Supervised Learning [76.00798972439004]
  Collaborative Sample Selection (CSS)は、特定されたクリーンセットからノイズの多いサンプルを削除する。 半教師付き学習において、対照的な損失を伴う協調学習機構を導入する。
  論文  参考訳（メタデータ） (2023-10-24T05:37:20Z)
• Learning Adversarial Semantic Embeddings for Zero-Shot Recognition in Open Worlds [25.132219723741024]
  Zero-Shot Learning (ZSL)は、トレーニング中に提示されるサイドセマンティック情報のみを用いて、目に見えないクラスのサンプルを分類することに焦点を当てている。 未知のクラスからのサンプルを推論中に拒否しながら、未知のクラスからのサンプルを正確に分類するためには、Zero-Shot Open-Set Recognition (ZS-OSR)が必要である。 本稿では,ZS-OSRに特化して設計された新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-07-07T06:54:21Z)
• OpenLDN: Learning to Discover Novel Classes for Open-World Semi-Supervised Learning [110.40285771431687]
  半教師付き学習(SSL)は、教師付き学習のアノテーションボトルネックに対処する主要なアプローチの1つである。 最近のSSLメソッドは、ラベルなしデータの大規模なリポジトリを有効活用して、ラベル付きデータの小さなセットに依存しながら、パフォーマンスを向上させることができる。 この研究は、ペアワイズ類似度損失を利用して新しいクラスを発見するOpenLDNを導入している。
  論文  参考訳（メタデータ） (2022-07-05T18:51:05Z)
• Collaborative Intelligence Orchestration: Inconsistency-Based Fusion of Semi-Supervised Learning and Active Learning [60.26659373318915]
  アクティブラーニング(AL)と半教師付きラーニング(SSL)は2つの効果があるが、しばしば孤立している。 本稿では、SSL-ALの潜在的な優位性をさらに調査するために、革新的な一貫性に基づく仮想aDvErialアルゴリズムを提案する。 2つの実世界のケーススタディは、提案したデータサンプリングアルゴリズムの適用と展開の実践的な産業価値を可視化する。
  論文  参考訳（メタデータ） (2022-06-07T13:28:43Z)
• Boosting Discriminative Visual Representation Learning with Scenario-Agnostic Mixup [54.09898347820941]
  自己教師付き学習(SSL)と教師付き学習(SL)の両方のシナリオに対して,textbfScenario-textbfAgnostic textbfMixup (SAMix)を提案する。 具体的には、2つの混合クラス間の局所的な滑らかさを最適化するために、混合生成の目的関数を仮説化し、検証する。 非自明な混合サンプルを効果的に提供し、転送可能な能力を向上させるラベルフリーな生成サブネットワークを設計する。
  論文  参考訳（メタデータ） (2021-11-30T14:49:59Z)
• Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
  オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。 我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。 我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
  論文  参考訳（メタデータ） (2021-08-12T09:14:44Z)
• Self-Supervised Learning of Graph Neural Networks: A Unified Review [50.71341657322391]
  ラベルなしサンプルを多用する新たなパラダイムとして,自己教師型学習が登場している。 SSLを用いたグラフニューラルネットワーク(GNNs)のトレーニング方法の統一レビューを提供します。 gnnに対するssl手法の処理は,様々な手法の類似性と相違に光を当て,新しい手法やアルゴリズムの開発段階を定めている。
  論文  参考訳（メタデータ） (2021-02-22T03:43:45Z)
• Consistency Regularization with Generative Adversarial Networks for Semi-Supervised Learning [2.9707483702447783]
  GAN(Adversarial Adversarial Networks)に基づく半教師付き学習(SSL)アプローチは,多数の未ラベルサンプルを利用して分類性能を向上させる。 しかし、彼らのパフォーマンスは、最先端の非GANベースのSSLアプローチよりも遅れている。 この主な理由は、局所摂動下で同じ画像上でのクラス確率予測の整合性の欠如である。
  論文  参考訳（メタデータ） (2020-07-08T01:47:10Z)

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。