論文の概要: A Rational Model of Dimension-reduced Human Categorization

• arxiv url: http://arxiv.org/abs/2305.14383v1
• Date: Mon, 22 May 2023 11:49:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 00:35:03.638735
• Title: A Rational Model of Dimension-reduced Human Categorization
• Title（参考訳）: 次元還元型人間分類の合理的モデル
• Authors: Yifan Hong and Chen Wang
• Abstract要約: 本稿では,確率的主成分の階層的混合に基づく分類の合理的モデルを提案する。 このモデルは人間の分類における次元バイアスを捉え、ゼロショット学習をサポートする。
• 参考スコア（独自算出の注目度）: 3.5955736977697073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing models in cognitive science typically assume human categorization as graded generalization behavior in a multidimensional psychological space. However, category representations in these models may suffer from the curse of dimensionality in a natural setting. People generally rely on a tractable yet sufficient set of features to understand the complex environment. We propose a rational model of categorization based on a hierarchical mixture of probabilistic principal components, that simultaneously learn category representations and an economical collection of features. The model captures dimensional biases in human categorization and supports zero-shot learning. We further exploit a generative process within a low-dimensional latent space to provide a better account of categorization with high-dimensional stimuli. We validate the model with simulation and behavioral experiments.
• Abstract（参考訳）: 認知科学における既存のモデルは通常、人間の分類を多次元心理学空間における段階的一般化行動とみなす。 しかし、これらのモデルにおける圏表現は自然環境における次元性の呪いに悩まされる可能性がある。 人々は一般的に、複雑な環境を理解するのに、トラクタブルで十分な機能のセットに依存します。 本稿では,カテゴリ表現と特徴の経済的収集を同時に学習する確率的主成分の階層的混合に基づく合理的な分類モデルを提案する。 このモデルは人間の分類における次元バイアスを捉え、ゼロショット学習をサポートする。 さらに,低次元潜在空間内の生成過程を利用して,高次元刺激による分類をよりよく説明する。 シミュレーションと行動実験でモデルを検証した。

関連論文リスト

• Preview-based Category Contrastive Learning for Knowledge Distillation [53.551002781828146]
  知識蒸留(PCKD)のための新しい予見型カテゴリーコントラスト学習法を提案する。 まず、インスタンスレベルの特徴対応と、インスタンスの特徴とカテゴリ中心の関係の両方の構造的知識を蒸留する。 カテゴリ表現を明示的に最適化し、インスタンスとカテゴリの表現を明確に関連付けることができる。
  論文  参考訳（メタデータ） (2024-10-18T03:31:00Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• SENet: A Spectral Filtering Approach to Represent Exemplars for Few-shot Learning [5.601374466082551]
  少人数の分類のために,Shrinkage Exemplar Networks (SENet)を提案する。 SENetでは、カテゴリはスペクトルフィルタリングによって平均に向かって縮小するサンプルの埋め込みによって表現される。 個々の収縮サンプルの情報を取得するために広く用いられるクロスエントロピー損失を置き換えるために, 縮退前の損失を提案する。
  論文  参考訳（メタデータ） (2023-05-30T12:12:39Z)
• Automatically Discovering Novel Visual Categories with Self-supervised Prototype Learning [68.63910949916209]
  本稿では,大規模な画像収集において未知のカテゴリを識別することを目的とした,新しいカテゴリ発見(NCD)の課題に取り組む。 本稿では,プロトタイプ表現学習とプロトタイプ自己学習という,2つの主要な段階からなる適応型プロトタイプ学習手法を提案する。 本研究では,4つのベンチマークデータセットについて広範な実験を行い,提案手法の有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-08-01T16:34:33Z)
• Fine-grained Retrieval Prompt Tuning [149.9071858259279]
  微粒な検索プロンプトチューニングは, サンプルプロンプトと特徴適応の観点から, きめの細かい検索タスクを実行するために, 凍結した事前学習モデルを操る。 学習可能なパラメータが少ないFRPTは、広く使われている3つの細粒度データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-29T04:10:04Z)
• On Clustering Categories of Categorical Predictors in Generalized Linear Models [0.0]
  本稿では,分類予測器の存在下での一般化線形モデルの複雑性を低減する手法を提案する。 各カテゴリがダミー変数で表される従来のワンホット符号化は、無駄で解釈が難しく、過度に適合する傾向がある。 本稿では,カテゴリをクラスタリングすることでカテゴリ予測器の表現を小さくすることで,これらの課題に対処する。
  論文  参考訳（メタデータ） (2021-10-19T15:36:35Z)
• Hierarchical Representation based Query-Specific Prototypical Network for Few-Shot Image Classification [5.861206243996454]
  少数の画像分類は、少数のラベル付きトレーニングデータで見えないカテゴリを認識することを目的としています。 最近のメトリックベースのフレームワークは、固定されたプロトタイプ(例えば、サポートカテゴリの平均)でサポートクラスを表現し、クエリインスタンスとサポートプロトタイプの類似性に応じて分類する傾向にある。 本稿では,クエリサンプル毎に領域レベルのプロトタイプを生成することで,制約に対処するための階層表現型クエリ固有プロトタイプネットワーク(qpn)を提案する。
  論文  参考訳（メタデータ） (2021-03-21T12:50:05Z)
• Few-shot Image Classification with Multi-Facet Prototypes [48.583388368897126]
  視覚的特徴をファセットに整理し、同じ種類の特徴を直感的にグループ化する。 カテゴリー名の事前訓練された埋め込みから、顔の重要性を予測することができる。 特に,あるカテゴリの集合に対して,予測されたフェーレット重み付けに依存する適応的類似度尺度を提案する。
  論文  参考訳（メタデータ） (2021-02-01T12:43:03Z)
• Commonality-Parsing Network across Shape and Appearance for Partially Supervised Instance Segmentation [71.59275788106622]
  そこで本稿では,マスク付分類から新しい分類へ一般化可能な,クラス非依存の共通性について考察する。 本モデルでは,COCOデータセット上のサンプルセグメンテーションにおける部分教師付き設定と少数ショット設定の両方において,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-24T07:23:44Z)

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。