論文の概要: Hyperbolic Space with Hierarchical Margin Boosts Fine-Grained Learning from Coarse Labels

• arxiv url: http://arxiv.org/abs/2311.11019v1
• Date: Sat, 18 Nov 2023 09:42:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 12:58:04.375189
• Title: Hyperbolic Space with Hierarchical Margin Boosts Fine-Grained Learning from Coarse Labels
• Title（参考訳）: 階層的マージンを持つ双曲空間は粗いラベルからのきめ細かな学習を促進する
• Authors: Shu-Lin Xu and Yifan Sun and Faen Zhang and Anqi Xu and Xiu-Shen Wei and Yi Yang
• Abstract要約: 本稿では,視覚的埋め込みを双曲空間に埋め込み,その識別能力を階層的なコサインマージン方式で向上させる手法を提案する。 具体的には、双曲空間には、階層的関係を捉える能力を含む、明確な利点がある。 双曲空間に基づいて、我々はそれぞれ粗いクラスと細いクラスの間の相対的に大きな/小さな類似性マージンを強制し、いわゆる階層的コサインマージンの方法をもたらす。
• 参考スコア（独自算出の注目度）: 43.3561344548331
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning fine-grained embeddings from coarse labels is a challenging task due to limited label granularity supervision, i.e., lacking the detailed distinctions required for fine-grained tasks. The task becomes even more demanding when attempting few-shot fine-grained recognition, which holds practical significance in various applications. To address these challenges, we propose a novel method that embeds visual embeddings into a hyperbolic space and enhances their discriminative ability with a hierarchical cosine margins manner. Specifically, the hyperbolic space offers distinct advantages, including the ability to capture hierarchical relationships and increased expressive power, which favors modeling fine-grained objects. Based on the hyperbolic space, we further enforce relatively large/small similarity margins between coarse/fine classes, respectively, yielding the so-called hierarchical cosine margins manner. While enforcing similarity margins in the regular Euclidean space has become popular for deep embedding learning, applying it to the hyperbolic space is non-trivial and validating the benefit for coarse-to-fine generalization is valuable. Extensive experiments conducted on five benchmark datasets showcase the effectiveness of our proposed method, yielding state-of-the-art results surpassing competing methods.
• Abstract（参考訳）: 粗いラベルからきめ細かい埋め込みを学習することは、ラベルの粒度監督が限られているため、難しい課題である。 このタスクは、さまざまなアプリケーションで実用上重要な、最小限のきめ細かな認識を試みるとさらに要求される。 これらの課題に対処するために,双曲空間に視覚埋め込みを埋め込み,階層的なコサインマージン方式で識別能力を高める新しい手法を提案する。 具体的には、双曲空間は、階層的な関係をキャプチャする機能や、細かい粒度のオブジェクトのモデリングを好む表現力の向上など、異なる利点を提供する。 双曲空間に基づいて,粗小クラス間の相対的に大小の類似性マージンを強制し,いわゆる階層コサインマージン法を導出する。 正規ユークリッド空間における類似性マージンの強制は深い埋め込み学習に人気がある一方で、双曲空間にそれを適用することは自明であり、粗大な一般化の利点を検証することは価値がある。 5つのベンチマークデータセットで実施した大規模な実験により,提案手法の有効性が示された。

関連論文リスト

• Alignment and Outer Shell Isotropy for Hyperbolic Graph Contrastive Learning [69.6810940330906]
  高品質なグラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。 具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。 双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
  論文  参考訳（メタデータ） (2023-10-27T15:31:42Z)
• Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of the Same Coin [49.12496652756007]
  この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。 従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-09-18T14:51:46Z)
• Learning Deep Optimal Embeddings with Sinkhorn Divergences [33.496926214655666]
  Deep Metric Learningアルゴリズムは、入力データ間の類似性関係を維持するために、効率的な埋め込み空間を学習することを目的としている。 これらのアルゴリズムは、幅広いタスクにおいて大きなパフォーマンス向上を達成したが、包括的な類似性制約を考慮せず、増大させた。 ここでは,新しい,しかし効果的なDeep Class-wise Discrepancy Loss関数を設計することで,識別的深層埋め込み空間を学習することの懸念に対処する。
  論文  参考訳（メタデータ） (2022-09-14T07:54:16Z)
• HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization [52.369435664689995]
  HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。 具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。 提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
  論文  参考訳（メタデータ） (2022-04-18T06:11:44Z)
• Rank-Consistency Deep Hashing for Scalable Multi-Label Image Search [90.30623718137244]
  スケーラブルなマルチラベル画像検索のための新しいディープハッシュ法を提案する。 2つの空間の類似性順序を整列するために、新しい階数整合性目的を適用した。 強力な損失関数は、意味的類似性とハミング距離が一致しないサンプルをペナルティ化するように設計されている。
  論文  参考訳（メタデータ） (2021-02-02T13:46:58Z)
• Towards Cross-Granularity Few-Shot Learning: Coarse-to-Fine Pseudo-Labeling with Visual-Semantic Meta-Embedding [13.063136901934865]
  少ないショットラーニングは、テスト時に少数のサンプルしか持たない、新しいカテゴリに迅速に適応することを目的としている。 本稿では,より困難なシナリオ,すなわちクロスグラニュラリティ・グラニュラリティ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラティヴ・グラニュラ 画像埋め込みの類似性に応じて,各粗いクラスを擬似微細クラスにグリーディクラスタリングすることで,詳細なデータ分布を近似する。
  論文  参考訳（メタデータ） (2020-07-11T03:44:21Z)
• Robust Large-Margin Learning in Hyperbolic Space [64.42251583239347]
  ユークリッド空間ではなく双曲型で分類器を学ぶための最初の理論的保証を示す。 本研究では, 対向例の慎重な注入に頼って, 大面積超平面を効率よく学習するアルゴリズムを提案する。 双曲空間によく埋め込まれる階層的データに対して、低埋め込み次元は優れた保証を保証することを証明している。
  論文  参考訳（メタデータ） (2020-04-11T19:11:30Z)

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。