論文の概要: Simple and effective data augmentation for compositional generalization
- arxiv url: http://arxiv.org/abs/2401.09815v1
- Date: Thu, 18 Jan 2024 09:13:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-19 17:21:44.641838
- Title: Simple and effective data augmentation for compositional generalization
- Title（参考訳）: 合成一般化のためのシンプルで効果的なデータ拡張
- Authors: Yuekun Yao and Alexander Koller
- Abstract要約: MRをサンプリングし,それらを逆翻訳するデータ拡張法は,合成一般化に有効であることを示す。
注目すべきは、一様分布からのサンプリングは、テスト分布からのサンプリングとほぼ同等に実行されることである。
- 参考スコア（独自算出の注目度）: 64.00420578048855
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Compositional generalization, the ability to predict complex meanings from
training on simpler sentences, poses challenges for powerful pretrained seq2seq
models. In this paper, we show that data augmentation methods that sample MRs
and backtranslate them can be effective for compositional generalization, but
only if we sample from the right distribution. Remarkably, sampling from a
uniform distribution performs almost as well as sampling from the test
distribution, and greatly outperforms earlier methods that sampled from the
training distribution. We further conduct experiments to investigate the reason
why this happens and where the benefit of such data augmentation methods come
from.
- Abstract（参考訳）: 合成一般化は、単純な文の訓練から複雑な意味を予測する能力であり、強力な事前学習されたseq2seqモデルに挑戦する。
本稿では,MRをサンプリングし,それらを逆翻訳するデータ拡張法が,適切な分布からサンプルを採取した場合に限り,構成一般化に有効であることを示す。
驚くべきことに、一様分布からのサンプリングはテスト分布からのサンプリングとほぼ同等の性能を持ち、トレーニング分布からサンプリングされた以前の方法を大きく上回っている。
さらに、このようなデータ拡張手法の利点がどこから来ているのか、その理由を調査する実験を行う。
関連論文リスト
- Changing the Training Data Distribution to Reduce Simplicity Bias Improves In-distribution Generalization [12.472871440252105]
シャープネスを意識した最小化(SAM)は,特に初期の時代において,異なる特徴をより均一に学習することを示す。
i) トレーニングの早い段階でネットワーク出力に基づいてサンプルをクラスタリングし、(ii) 類似したネットワーク出力を持つサンプルのクラスタを特定し、(iii) 単純さのバイアスを軽減するために、残りのサンプルを1回だけアップサンプリングする手法を提案する。
論文 参考訳（メタデータ） (2024-04-27T03:30:50Z) - Distribution Shift Inversion for Out-of-Distribution Prediction [57.22301285120695]
本稿では,OoD(Out-of-Distribution)予測のためのポータブル分布シフト変換アルゴリズムを提案する。
提案手法は,OoDアルゴリズムを広範囲に接続した場合に,一般的な性能向上をもたらすことを示す。
論文 参考訳（メタデータ） (2023-06-14T08:00:49Z) - Open-Sampling: Exploring Out-of-Distribution data for Re-balancing
Long-tailed datasets [24.551465814633325]
深層ニューラルネットワークは通常、トレーニングデータセットが極端なクラス不均衡に苦しむ場合、パフォーマンスが良くない。
近年の研究では、半教師付き方式でアウト・オブ・ディストリビューションデータによる直接トレーニングが一般化性能を損なうことが報告されている。
そこで我々は,オープンセットノイズラベルを用いて学習データセットのクラス前のバランスを再調整する,オープンサンプリングと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-17T14:29:52Z) - Unified Regularity Measures for Sample-wise Learning and Generalization [18.10522585996242]
本稿では,定式化整合表現を用いた2つのプロセスのサンプル正則度尺度を提案する。
ミニバッチSGD最適化のための提案手法の有効性とロバスト性を検証する実験を行った。
論文 参考訳（メタデータ） (2021-08-09T10:11:14Z) - Optimal Importance Sampling for Federated Learning [57.14673504239551]
フェデレートラーニングには、集中型と分散化された処理タスクが混在する。
エージェントとデータのサンプリングは概して一様であるが、本研究では一様でないサンプリングについて考察する。
エージェント選択とデータ選択の両方に最適な重要サンプリング戦略を導出し、置換のない一様サンプリングが元のFedAvgアルゴリズムの性能を向上させることを示す。
論文 参考訳（メタデータ） (2020-10-26T14:15:33Z) - Distributional Reinforcement Learning via Moment Matching [54.16108052278444]
ニューラルネットワークを用いて各戻り分布から統計量の有限集合を学習する手法を定式化する。
我々の手法は、戻り分布とベルマン目標の間のモーメントの全ての順序を暗黙的に一致させるものとして解釈できる。
Atariゲームスイートの実験により,本手法は標準分布RLベースラインよりも優れていることが示された。
論文 参考訳（メタデータ） (2020-07-24T05:18:17Z) - Robust Sampling in Deep Learning [62.997667081978825]
ディープラーニングは、オーバーフィッティングを減らし、一般化を改善するために正規化メカニズムを必要とする。
分散ロバスト最適化に基づく新しい正規化手法によりこの問題に対処する。
トレーニング中は、最悪のサンプルが最適化に最も貢献するものであるように、その正確性に応じてサンプルの選択が行われる。
論文 参考訳（メタデータ） (2020-06-04T09:46:52Z) - Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。
分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文 参考訳（メタデータ） (2020-02-21T14:03:16Z)
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。