論文の概要: Robust Transductive Few-shot Learning via Joint Message Passing and Prototype-based Soft-label Propagation

• arxiv url: http://arxiv.org/abs/2311.17096v1
• Date: Tue, 28 Nov 2023 06:44:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 00:06:41.286229
• Title: Robust Transductive Few-shot Learning via Joint Message Passing and Prototype-based Soft-label Propagation
• Title（参考訳）: 共同メッセージパッシングとプロトタイプベースソフトラベル伝播によるロバストなトランスダクティブ・ファウショット学習
• Authors: Jiahui Wang, Qin Xu, Bo Jiang, Bin Luo
• Abstract要約: 少ないショットの学習は、いくつかのサポートサンプルを使用して新しいクラスに一般化できる学習モデルを開発することを目的としている。 トランスダクティブなFSLタスクでは、プロトタイプ学習とラベル伝搬が一般的である。 本稿では,これら2つの原則を統合し,効率的かつ堅牢なFSLアプローチを開発することを目的とする。
• 参考スコア（独自算出の注目度）: 16.38915516070594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot learning (FSL) aims to develop a learning model with the ability to generalize to new classes using a few support samples. For transductive FSL tasks, prototype learning and label propagation methods are commonly employed. Prototype methods generally first learn the representative prototypes from the support set and then determine the labels of queries based on the metric between query samples and prototypes. Label propagation methods try to propagate the labels of support samples on the constructed graph encoding the relationships between both support and query samples. This paper aims to integrate these two principles together and develop an efficient and robust transductive FSL approach, termed Prototype-based Soft-label Propagation (PSLP). Specifically, we first estimate the soft-label presentation for each query sample by leveraging prototypes. Then, we conduct soft-label propagation on our learned query-support graph. Both steps are conducted progressively to boost their respective performance. Moreover, to learn effective prototypes for soft-label estimation as well as the desirable query-support graph for soft-label propagation, we design a new joint message passing scheme to learn sample presentation and relational graph jointly. Our PSLP method is parameter-free and can be implemented very efficiently. On four popular datasets, our method achieves competitive results on both balanced and imbalanced settings compared to the state-of-the-art methods. The code will be released upon acceptance.
• Abstract（参考訳）: FSL(Few-shot Learning)は、いくつかのサポートサンプルを使用して新しいクラスに一般化できる学習モデルを開発することを目的としている。 トランスダクティブなFSLタスクでは、プロトタイプ学習とラベル伝搬が一般的である。 プロトタイプメソッドは通常、サポートセットから代表的なプロトタイプを学習し、クエリサンプルとプロトタイプの間のメトリックに基づいてクエリのラベルを決定する。 ラベル伝搬法は,サポートサンプルとクエリサンプルの関係を符号化したグラフ上に,サポートサンプルのラベルを伝搬させようとする。 本稿では,これら2つの原則を統合し,Prototype-based Soft-label Propagation (PSLP)と呼ばれる効率的かつ堅牢なFSLアプローチを開発することを目的とする。 具体的には,まずプロトタイプを用いて各問合せサンプルのソフトラベル提示を推定する。 次に,学習した問合せ支援グラフ上でソフトラベル伝搬を行う。 どちらのステップも段階的に行われ、それぞれのパフォーマンスが向上する。 さらに,ソフトラベル推定のための効果的なプロトタイプと,ソフトラベル伝搬のための望ましいクエリ支援グラフを学習するために,サンプルの提示と関係グラフを共同で学習するための新しい共同メッセージパッシングスキームを設計する。 我々のPSLP法はパラメータフリーであり、非常に効率的に実装できる。 提案手法は,4つの一般的なデータセットにおいて,最先端の手法と比較して,バランスの取れた設定と不均衡な設定の両方で競合する結果が得られる。 コードは受理後にリリースされます。

関連論文リスト

• LC-Protonets: Multi-label Few-shot learning for world music audio tagging [65.72891334156706]
  ラベル結合型プロトタイプネットワーク(LC-Protonets)を導入し,複数ラベルの複数ショット分類の問題に対処する。 LC-Protonetsは、限られたトレーニング項目に存在するラベルのパワーセットから、ラベルの組み合わせごとに1つのプロトタイプを生成する。 本手法は,様々な文化をカバーし,現代音楽と伝統音楽の両方を含む,多様な音楽データセットにまたがる自動音声タグ付けに適用する。
  論文  参考訳（メタデータ） (2024-09-17T15:13:07Z)
• VLM-CPL: Consensus Pseudo Labels from Vision-Language Models for Human Annotation-Free Pathological Image Classification [23.08368823707528]
  本稿では,VLM(Venture-Language Models)を利用した画像分類法を提案する。 2つのノイズラベルフィルタリング技術と半教師付き学習戦略を統合した,コンセンサス擬似ラベルに基づく新しい手法 VLM-CPL を提案する。 実験の結果,HPHデータセットとLC25Kデータセットの精度は87.1%,95.1%であった。
  論文  参考訳（メタデータ） (2024-03-23T13:24:30Z)
• Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
  テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。 1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。 本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。 本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T03:33:39Z)
• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• Deep Partial Multi-Label Learning with Graph Disambiguation [27.908565535292723]
  grAph-disambIguatioN (PLAIN) を用いた新しいディープ部分多重ラベルモデルを提案する。 具体的には、ラベルの信頼性を回復するために、インスタンスレベルとラベルレベルの類似性を導入する。 各トレーニングエポックでは、ラベルがインスタンスとラベルグラフに伝播し、比較的正確な擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2023-05-10T04:02:08Z)
• Transductive Few-shot Learning with Prototype-based Label Propagation by Iterative Graph Refinement [41.726774734996766]
  そこで本研究では,数ショット学習のためのプロトタイプベースのラベル伝搬手法を提案する。 具体的には, このグラフ構造は, サンプル間の関係ではなく, プロトタイプとサンプルの関係に基づいている。 ミニイメージネット, タイレッドイメージネット, CIFAR-FS, CUBデータセットでは, 提案手法が他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-23T10:09:26Z)
• Few-shot Learning via Dependency Maximization and Instance Discriminant Analysis [21.8311401851523]
  そこで本研究では,カテゴリ毎にラベル付きデータが極めて少ない新しいオブジェクトの認識をモデルが学習する,数ショットの学習問題について検討する。 本稿では,少数ショット処理に伴うラベルなしデータを利用して,少数ショット性能を向上させるための簡単な手法を提案する。
  論文  参考訳（メタデータ） (2021-09-07T02:19:01Z)
• Information Symmetry Matters: A Modal-Alternating Propagation Network for Few-Shot Learning [118.45388912229494]
  未ラベルサンプルの欠落した意味情報を補うために,モーダル代替伝搬ネットワーク (MAP-Net) を提案する。 我々は,情報伝達がより有益になるように,セマンティクスを介して視覚的関係ベクトルを誘導するリレーガイダンス(RG)戦略を設計する。 提案手法は有望な性能を達成し,最先端の手法よりも優れる。
  論文  参考訳（メタデータ） (2021-09-03T03:43:53Z)
• ECKPN: Explicit Class Knowledge Propagation Network for Transductive Few-shot Learning [53.09923823663554]
  クラスレベルの知識は、ほんの一握りのサンプルから人間が容易に学習することができる。 本稿では,この問題に対処する明示的クラス知識伝達ネットワーク(ECKPN)を提案する。 筆者らは,4つの数ショット分類ベンチマークについて広範な実験を行い,提案したECKPNが最先端の手法よりも優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2021-06-16T02:29:43Z)
• SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
  我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。 まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。 次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
  論文  参考訳（メタデータ） (2020-11-20T08:26:10Z)

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。