Fugu-MT 論文翻訳(概要): A Rational Model of Dimension-reduced Human Categorization

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

arxiv url: http://arxiv.org/abs/2305.14383v3
Date: Thu, 23 May 2024 02:53:06 GMT
ステータス: 処理完了
システム内更新日: 2024-05-26 21:32:22.065400
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, Chen Wang,
Abstract要約: 確率的主成分分析器(mPPCA)の混合を用いた新しい次元再現圏表現法を提案する。 $tt CIFAR-10H$データセットの試験では、各カテゴリに1つの主成分しか持たないmPPCAが、自然画像の人間の分類を効果的に予測できることが示されている。
参考スコア（独自算出の注目度）: 3.571185635085448
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Humans can categorize with only a few samples despite the numerous features. To mimic this ability, we propose a novel dimension-reduced category representation using a mixture of probabilistic principal component analyzers (mPPCA). Tests on the ${\tt CIFAR-10H}$ dataset demonstrate that mPPCA with only a single principal component for each category effectively predicts human categorization of natural images. We further impose a hierarchical prior on mPPCA to account for new category generalization. mPPCA captures human behavior in our experiments on images with simple size-color combinations. We also provide sufficient and necessary conditions when reducing dimensions in categorization is rational.
Abstract（参考訳）: 人間は、多くの特徴にもかかわらず、少数のサンプルで分類できる。この能力を模倣するために,確率的主成分分析器(mPPCA)の混合を用いた新しい次元再現圏表現を提案する。 The ${\tt CIFAR-10H}$ data tests on the ${\tt CIFAR-10H}$ sets shows that mPPCA with one single principal component for each category is effective predicts human categorization of natural image。我々はまた、新しいカテゴリーの一般化を考慮し、mPPCAに階層的事前を課す。 mPPCAは、簡単な大きさと色の組み合わせで画像上での人間の振る舞いを捉えます。また、分類における次元の縮小が合理的である場合に、十分かつ必要な条件を提供する。

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。