論文の概要: Meta-forests: Domain generalization on random forests with meta-learning

• arxiv url: http://arxiv.org/abs/2401.04425v1
• Date: Tue, 9 Jan 2024 08:34:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-10 16:20:26.977939
• Title: Meta-forests: Domain generalization on random forests with meta-learning
• Title（参考訳）: メタフォレスト:メタラーニングによるランダム林のドメイン一般化
• Authors: Yuyang Sun, Panagiotis Kosmas
• Abstract要約: メタフォレスト(meta-forests)と呼ばれる新しい領域一般化アルゴリズムを提案する。 メタラーニング戦略と最大平均不一致尺度を組み込むことで、基本的なランダム森林モデルを構築している。 その結果、メタフォレストは、オブジェクト認識とグルコースモニタリングの両方のデータセットにおける一般化性能において、最先端のアプローチよりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 0.06526824510982798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain generalization is a popular machine learning technique that enables models to perform well on the unseen target domain, by learning from multiple source domains. Domain generalization is useful in cases where data is limited, difficult, or expensive to collect, such as in object recognition and biomedicine. In this paper, we propose a novel domain generalization algorithm called "meta-forests", which builds upon the basic random forests model by incorporating the meta-learning strategy and maximum mean discrepancy measure. The aim of meta-forests is to enhance the generalization ability of classifiers by reducing the correlation among trees and increasing their strength. More specifically, meta-forests conducts meta-learning optimization during each meta-task, while also utilizing the maximum mean discrepancy as a regularization term to penalize poor generalization performance in the meta-test process. To evaluate the effectiveness of our algorithm, we test it on two publicly object recognition datasets and a glucose monitoring dataset that we have used in a previous study. Our results show that meta-forests outperforms state-of-the-art approaches in terms of generalization performance on both object recognition and glucose monitoring datasets.
• Abstract（参考訳）: ドメイン一般化(domain generalization)は、複数のソースドメインから学習することで、モデルを対象とするドメインで適切に実行する、一般的な機械学習テクニックである。 ドメインの一般化は、オブジェクト認識やバイオメディシンなど、データが制限され、困難で、収集に費用がかかる場合に有用である。 本稿では,メタラーニング戦略と最大平均不一致尺度を組み込んだランダムフォレストモデルに基づく「メタフォレスト」と呼ばれる新しいドメイン一般化アルゴリズムを提案する。 メタフォレストの目的は,木間の相関を減らし,強度を高めることで分類器の一般化能力を高めることである。 より具体的には、メタフォレストはメタタスクごとにメタラーニングの最適化を行い、また、最大平均差を正規化の用語として利用し、メタテストプロセスの一般化性能の悪さを罰する。 提案アルゴリズムの有効性を評価するため,従来の研究で使用した2つの公開オブジェクト認識データセットとグルコースモニタリングデータセットを用いて評価を行った。 以上の結果から,メタフォレストは,オブジェクト認識とグルコースモニタリングのデータセットにおける一般化性能において最先端のアプローチよりも優れていることが示された。

関連論文リスト

• Set-based Meta-Interpolation for Few-Task Meta-Learning [79.4236527774689]
  そこで本研究では,メタトレーニングタスクの分散化を目的とした,ドメインに依存しないタスク拡張手法Meta-Interpolationを提案する。 様々な領域にまたがる8つのデータセットに対してメタ補間の有効性を実証的に検証した。
  論文  参考訳（メタデータ） (2022-05-20T06:53:03Z)
• Comparative Study Between Distance Measures On Supervised Optimum-Path Forest Classification [0.0]
  Optimum-Path Forest (OPF) はグラフベースの方法論と距離測度を使ってノード間の弧を作り、そのため木の集合を作る。 本研究は,オプティカム・パス林の森林分類に応用された広範囲な距離測定に関する比較研究を提案する。
  論文  参考訳（メタデータ） (2022-02-08T13:34:09Z)
• Semi-supervised Meta-learning with Disentanglement for Domain-generalised Medical Image Segmentation [15.351113774542839]
  新たなセンター(ここではドメイン)からの新しいデータにモデルを一般化することは、依然として課題である。 本稿では,絡み合いを伴う半教師付きメタラーニングフレームワークを提案する。 提案手法は,異なるセグメンテーションタスクに対して頑健であり,2つの公開ベンチマーク上での最先端の一般化性能を実現する。
  論文  参考訳（メタデータ） (2021-06-24T19:50:07Z)
• Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification [59.326456778057384]
  本稿では,メモリベースのマルチソースメタラーニングフレームワークを提案する。 また,メタテスト機能を多様化するメタバッチ正規化層(MetaBN)を提案する。 実験により、M$3$Lは、目に見えない領域に対するモデルの一般化能力を効果的に向上できることが示された。
  論文  参考訳（メタデータ） (2020-12-01T11:38:16Z)
• Meta-Learning for Domain Generalization in Semantic Parsing [124.32975734073949]
  セマンティック解析のためにゼロショットドメインをターゲットにしたメタラーニングフレームワークを使用する。 ゼロショット解析の仮想トレインと非結合領域からのテストセットをシミュレートするモデル非依存のトレーニングアルゴリズムを適用した。
  論文  参考訳（メタデータ） (2020-10-22T19:00:36Z)
• Learning to Learn with Variational Information Bottleneck for Domain Generalization [128.90691697063616]
  ドメイン一般化モデルは、これまで見つからなかった領域に一般化することを学ぶが、予測の不確実性とドメインシフトに悩まされる。 ドメイン一般化のための確率論的メタラーニングモデルを導入し、ドメイン間で共有されるパラメータを分布としてモデル化する。 ドメインシフトに対処するため、メタ変動情報ボトルネックという提案原則を用いてドメイン不変表現を学習し、メタVIBと呼ぶ。
  論文  参考訳（メタデータ） (2020-07-15T12:05:52Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• Learning Meta Face Recognition in Unseen Domains [74.69681594452125]
  メタ顔認識(MFR)というメタラーニングを用いた新しい顔認識手法を提案する。 MFRは、メタ最適化目標を用いてソース/ターゲットドメインシフトを合成する。 一般化顔認識評価のためのベンチマークを2つ提案する。
  論文  参考訳（メタデータ） (2020-03-17T14:10:30Z)

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。