論文の概要: Improving Cross-domain Few-shot Classification with Multilayer Perceptron

• arxiv url: http://arxiv.org/abs/2312.09589v1
• Date: Fri, 15 Dec 2023 07:54:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-18 16:51:46.996970
• Title: Improving Cross-domain Few-shot Classification with Multilayer Perceptron
• Title（参考訳）: 多層パーセプトロンを用いたクロスドメインファウショット分類の改良
• Authors: Shuanghao Bai, Wanqi Zhou, Zhirong Luan, Donglin Wang, Badong Chen
• Abstract要約: クロスドメイン・ショット分類(CDFSC)は、異なるドメインにまたがる大きな分散の相違のため、困難で難しい課題である。 本稿では,識別的一般化の有効性を検証するために,3種類の複数ショット分類手法を取り入れた3つの異なるフレームワークを紹介する。 提案手法は,他の最先端CDFSCアルゴリズムと比較しても良好に比較できる。
• 参考スコア（独自算出の注目度）: 35.3958320851989
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain few-shot classification (CDFSC) is a challenging and tough task due to the significant distribution discrepancies across different domains. To address this challenge, many approaches aim to learn transferable representations. Multilayer perceptron (MLP) has shown its capability to learn transferable representations in various downstream tasks, such as unsupervised image classification and supervised concept generalization. However, its potential in the few-shot settings has yet to be comprehensively explored. In this study, we investigate the potential of MLP to assist in addressing the challenges of CDFSC. Specifically, we introduce three distinct frameworks incorporating MLP in accordance with three types of few-shot classification methods to verify the effectiveness of MLP. We reveal that MLP can significantly enhance discriminative capabilities and alleviate distribution shifts, which can be supported by our expensive experiments involving 10 baseline models and 12 benchmark datasets. Furthermore, our method even compares favorably against other state-of-the-art CDFSC algorithms.
• Abstract（参考訳）: クロスドメイン・ショット分類(CDFSC)は、異なるドメインにまたがる大きな分散の相違により困難で難しい課題である。 この課題に対処するために、多くのアプローチは転送可能な表現を学ぶことを目指している。 多層パーセプトロン(mlp)は、教師なし画像分類や教師なし概念一般化など、様々な下流タスクで転送可能な表現を学習する能力を示している。 しかし、少数の設定での可能性はまだ包括的に検討されていない。 本研究では,CDFSC の課題に対処するための MLP の可能性を検討する。 具体的には,MLPを組み込んだ3つの異なるフレームワークについて,MLPの有効性を検証するための3種類の複数ショット分類手法を提案する。 10のベースラインモデルと12のベンチマークデータセットを含む高価な実験によって,MDPは識別能力を大幅に向上し,分散シフトを緩和できることが明らかになった。 さらに,本手法は他の最先端CDFSCアルゴリズムと比較した。

関連論文リスト

• One-Step Multi-View Clustering Based on Transition Probability [61.841829428397034]
  遷移確率に基づくワンステップマルチビュークラスタリング(OSMVC-TP)を導入する。 本手法は,アンカーポイントからカテゴリへの遷移確率を直接学習し,サンプルからカテゴリへの遷移確率を計算する。 異なる視点でラベルの整合性を維持するために、ソフトラベルからなるテンソルにシャッテン p-ノルムの制約を適用する。
  論文  参考訳（メタデータ） (2024-03-03T09:43:23Z)
• Regularized Conditional Alignment for Multi-Domain Text Classification [6.629561563470492]
  本稿では,正規化条件アライメント(RCA)と呼ばれる手法を提案する。 我々は、ラベルのないデータに関する予測の不確実性を抑制するために、エントロピーの最小化と仮想対位トレーニングを採用している。 2つのベンチマークデータセットによる実験結果から、我々のRCAアプローチは最先端のMDTC技術より優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-18T05:52:05Z)
• Leveraging Diffusion Disentangled Representations to Mitigate Shortcuts in Underspecified Visual Tasks [92.32670915472099]
  拡散確率モデル(DPM)を用いた合成カウンターファクトの生成を利用したアンサンブルの多様化フレームワークを提案する。 拡散誘導型分散化は,データ収集を必要とする従来の手法に匹敵するアンサンブル多様性を達成し,ショートカットからの注意を回避できることを示す。
  論文  参考訳（メタデータ） (2023-10-03T17:37:52Z)
• Set-level Guidance Attack: Boosting Adversarial Transferability of Vision-Language Pre-training Models [52.530286579915284]
  本稿では,視覚言語事前学習モデルの対角移動可能性について検討する。 伝達性劣化は、部分的にはクロスモーダル相互作用のアンダーユース化によって引き起こされる。 本稿では,高度に伝達可能なSGA(Set-level Guidance Attack)を提案する。
  論文  参考訳（メタデータ） (2023-07-26T09:19:21Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Federated Momentum Contrastive Clustering [14.048989759890475]
  FedMCCでは、変換されたデータペアがオンラインネットワークとターゲットネットワークの両方を通過し、結果として損失が決定される4つの表現が生成される。 我々は,MSCがSTL-10やImageNet-10のような特定のデータセットにおいて,最先端のクラスタリング精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-06-10T13:37:15Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• Towards Discriminative Representation Learning for Unsupervised Person Re-identification [37.32557301375426]
  教師なし方式で雑音耐性表現を学習するためのクラスタワイドコントラスト学習アルゴリズム(CCL)を提案する。 第2に、ソースとターゲットデータ間のドメインギャップを徐々に緩和するために、プログレッシブなドメイン適応戦略を採用する。 第3に、re-IDモデルのクラス分離性をさらに最大化するフーリエ拡張(FA)を提案する。
  論文  参考訳（メタデータ） (2021-08-07T12:35:21Z)

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。