論文の概要: Early Classifying Multimodal Sequences
- arxiv url: http://arxiv.org/abs/2305.01151v1
- Date: Tue, 2 May 2023 01:57:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 15:43:21.736692
- Title: Early Classifying Multimodal Sequences
- Title(参考訳): マルチモーダル系列の早期分類
- Authors: Alexander Cao, Jean Utke and Diego Klabjan
- Abstract要約: 決定の確実性を待ったままの取引は、初期の分類問題につながる。
提案手法は,実験的なAUCの利点を最大8.7%向上させることを示した。
- 参考スコア(独自算出の注目度): 86.80932013694684
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Often pieces of information are received sequentially over time. When did one
collect enough such pieces to classify? Trading wait time for decision
certainty leads to early classification problems that have recently gained
attention as a means of adapting classification to more dynamic environments.
However, so far results have been limited to unimodal sequences. In this pilot
study, we expand into early classifying multimodal sequences by combining
existing methods. We show our new method yields experimental AUC advantages of
up to 8.7%.
- Abstract(参考訳): 多くの場合、情報の断片は時間とともに順次受信される。
いつ、分類するのに十分なものを集めましたか。
決定確実性の取引待ち時間は、よりダイナミックな環境に分類を適用する手段として最近注目を集めた初期の分類問題につながる。
しかし、これまでの結果はユニモーダル配列に限定されている。
本実験では,既存手法を組み合わせることにより,マルチモーダルシーケンスの早期分類に展開する。
提案手法は最大8.7%の実験的な auc の利点をもたらす。
関連論文リスト
- HIERVAR: A Hierarchical Feature Selection Method for Time Series Analysis [22.285570102169356]
時系列分類は、様々な領域にまたがる重要かつ複雑な課題である。
本稿では,ANOVA分散解析による新しい階層的特徴選択法を提案する。
本手法は精度を保ちながら,特徴量を94%以上削減する。
論文 参考訳(メタデータ) (2024-07-22T20:55:13Z) - FeCAM: Exploiting the Heterogeneity of Class Distributions in
Exemplar-Free Continual Learning [21.088762527081883]
Exemplar-free class-incremental learning (CIL)は、以前のタスクからのデータのリハーサルを禁止しているため、いくつかの課題がある。
第1タスクの後に特徴抽出器を凍結して分類器を漸進的に学習する手法が注目されている。
凍結した特徴抽出器を用いて新しいクラスプロトタイプを生成するCILのプロトタイプネットワークを探索し,プロトタイプとのユークリッド距離に基づいて特徴を分類する。
論文 参考訳(メタデータ) (2023-09-25T11:54:33Z) - Teamwork Is Not Always Good: An Empirical Study of Classifier Drift in
Class-incremental Information Extraction [12.4259256312658]
授業増分学習は,学習前の授業を忘れることなく,データストリームから新しいクラスを継続的に学習できる学習システムを開発することを目的としている。
本稿では,分類器内のドリフトがいかにして忘れてしまうかを詳しく検討し,それに伴い,ドリフトを緩和するための4つの単純かつ(超)効果的な解法について述べる。
我々の解は、常に44.7%の絶対Fスコアゲインを持つ従来の最先端のアプローチよりも大幅に改善されている。
論文 参考訳(メタデータ) (2023-05-26T00:57:43Z) - Few-shot Classification via Ensemble Learning with Multi-Order
Statistics [9.145742362513932]
基本クラスにおけるアンサンブル学習を活用することで,新たなクラスにおける真の誤りを低減できることを示す。
本稿では,多階統計を用いたアンサンブル学習法(ELMOS)を提案する。
提案手法は,複数ショットの分類ベンチマークデータセット上で,最先端の性能を実現することができることを示す。
論文 参考訳(メタデータ) (2023-04-30T11:41:01Z) - A Policy for Early Sequence Classification [86.80932013694684]
最後の要素を待たずにできるだけ早くシーケンスを分類する新しい方法を提案する。
複数の実験に対して平均AUCは11.8%増加した。
論文 参考訳(メタデータ) (2023-04-07T03:38:54Z) - Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。
凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
論文 参考訳(メタデータ) (2023-03-28T13:47:16Z) - An Investigation of Replay-based Approaches for Continual Learning [79.0660895390689]
連続学習(CL)は機械学習(ML)の大きな課題であり、破滅的忘れ(CF)を伴わずに連続的に複数のタスクを学習する能力を記述する。
いくつかの解クラスが提案されており、その単純さと堅牢性から、いわゆるリプレイベースのアプローチは非常に有望であるように思われる。
連続学習におけるリプレイに基づくアプローチを実証的に検討し,応用の可能性を評価する。
論文 参考訳(メタデータ) (2021-08-15T15:05:02Z) - MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。
本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。
特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文 参考訳(メタデータ) (2021-07-23T06:57:08Z) - Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。
まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。
第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
論文 参考訳(メタデータ) (2021-01-20T11:48:12Z)
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。