Fugu-MT 論文翻訳(概要): Improving Performance of Semi-Supervised Learning by Adversarial Attacks

論文の概要: Improving Performance of Semi-Supervised Learning by Adversarial Attacks

arxiv url: http://arxiv.org/abs/2308.04018v1
Date: Tue, 8 Aug 2023 03:29:43 GMT
ステータス: 処理完了
システム内更新日: 2023-08-09 14:14:37.861824
Title: Improving Performance of Semi-Supervised Learning by Adversarial Attacks
Title（参考訳）: 逆攻撃による半教師付き学習の性能向上
Authors: Dongyoon Yang, Kunwoong Kim, Yongdai Kim
Abstract要約: 本稿では,最近のSSLアルゴリズムの性能向上を目的とした汎用フレームワークSCARを提案する。セミスーパービジョンで事前学習したモデルを逆襲することにより、画像の分類の大幅な進歩が示される。
参考スコア（独自算出の注目度）: 1.675857332621569
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Semi-supervised learning (SSL) algorithm is a setup built upon a realistic assumption that access to a large amount of labeled data is tough. In this study, we present a generalized framework, named SCAR, standing for Selecting Clean samples with Adversarial Robustness, for improving the performance of recent SSL algorithms. By adversarially attacking pre-trained models with semi-supervision, our framework shows substantial advances in classifying images. We introduce how adversarial attacks successfully select high-confident unlabeled data to be labeled with current predictions. On CIFAR10, three recent SSL algorithms with SCAR result in significantly improved image classification.
Abstract（参考訳）: semi-supervised learning (ssl) アルゴリズムは、大量のラベル付きデータへのアクセスが難しいという現実的な仮定に基づいている。本研究では,最近のSSLアルゴリズムの性能向上を目的として,逆ロバストネスを用いたクリーンサンプルの選択のためのSCARというフレームワークを提案する。セミスーパービジョンで事前学習したモデルを逆襲することにより,画像分類の大幅な進歩を示す。本稿では,現在の予測でラベル付けされた高信頼度ラベル付きデータを選択する方法を紹介する。 CIFAR10では、SCARを使った最近のSSLアルゴリズムが3つあり、画像分類が大幅に改善された。

関連論文リスト

DyConfidMatch: Dynamic Thresholding and Re-sampling for 3D Semi-supervised Learning [4.259908158892314]
半教師付き学習(SSL)はラベル付きで豊富なラベル付きデータを活用するが、データ不均衡の課題に直面することが多い。本研究では,3次元SSLにおける学習状況の指標としてのクラスレベルの信頼度について検討し,動的しきい値を用いた新しい手法を提案する。また、適切に表現されたクラスに対するバイアスを緩和し、同値なクラス表現を確保するために再サンプリング戦略も導入されている。
論文参考訳（メタデータ） (2024-11-13T05:09:28Z)
FACTUAL: A Novel Framework for Contrastive Learning Based Robust SAR Image Classification [10.911464455072391]
FACTUALは、逆行訓練と堅牢なSAR分類のためのコントラストラーニングフレームワークである。本モデルでは, 洗浄試料の99.7%, 摂動試料の89.6%の精度が得られた。
論文参考訳（メタデータ） (2024-04-04T06:20:22Z)
Improving Representation Learning for Histopathologic Images with Cluster Constraints [31.426157660880673]
自己教師型学習(SSL)事前学習戦略が,現実的な代替手段として浮上している。転送可能な表現学習と意味的に意味のあるクラスタリングのためのSSLフレームワークを導入する。我々の手法は、下流の分類やクラスタリングタスクにおいて一般的なSSLメソッドよりも優れています。
論文参考訳（メタデータ） (2023-10-18T21:20:44Z)
Effective Targeted Attacks for Adversarial Self-Supervised Learning [58.14233572578723]
ラベル情報を持たないモデルにおいて堅牢性を達成する手段として、教師なしの敵訓練(AT)が強調されている。本稿では,敵のSSLフレームワークを効果的に生成するために,敵の攻撃を標的とした新たな正のマイニングを提案する。提案手法は,非コントラスト型SSLフレームワークに適用した場合のロバストネスの大幅な向上と,コントラスト型SSLフレームワークによるロバストネスの向上を示す。
論文参考訳（メタデータ） (2022-10-19T11:43:39Z)
Class-Level Confidence Based 3D Semi-Supervised Learning [18.95161296147023]
ラベル付きデータのクラスレベルの信頼度は,3次元不均衡データセットの学習状況を表すことができることを示す。本手法は,3次元SSL分類および検出タスクにおいて,最先端技術よりも優れる。
論文参考訳（メタデータ） (2022-10-18T20:13:28Z)
Improving Self-Supervised Learning by Characterizing Idealized Representations [155.1457170539049]
与えられたデータ拡張に不変なタスクに対して必要かつ十分な条件を証明します。対照的に、我々のフレームワークは、従来の手法に対して単純だが重要な改善を規定している。非コントラスト学習では、私たちのフレームワークを使って、シンプルで斬新な目的を導き出します。
論文参考訳（メタデータ） (2022-09-13T18:01:03Z)
Self Supervised Learning for Few Shot Hyperspectral Image Classification [57.2348804884321]
HSI分類に自己監督学習(SSL)を活用することを提案する。最先端のSSLアルゴリズムであるBarlow-Twinsを用いて,ラベルのない画素にエンコーダを事前学習することにより,少数のラベルを持つ正確なモデルが得られることを示す。
論文参考訳（メタデータ） (2022-06-24T07:21:53Z)
Self-Supervised Class Incremental Learning [51.62542103481908]
既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
論文参考訳（メタデータ） (2021-11-18T06:58:19Z)
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)
SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
論文参考訳（メタデータ） (2021-06-29T08:08:33Z)
A Realistic Evaluation of Semi-Supervised Learning for Fine-Grained Classification [38.68079253627819]
本ベンチマークは, avesおよびfungi分類のクラスをサンプリングして得られた2つの細粒度分類データセットからなる。最近提案されたSSLメソッドは大きなメリットをもたらし、深いネットワークがゼロから訓練されたときにクラス外のデータを効果的にパフォーマンスを向上させることができます。我々の研究は、現実的データセットの専門家による半教師付き学習は、現在文学で普及しているものとは異なる戦略を必要とする可能性があることを示唆している。
論文参考訳（メタデータ） (2021-04-01T17:59:41Z)

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。