論文の概要: Towards Effective Authorship Attribution: Integrating Class-Incremental Learning

• arxiv url: http://arxiv.org/abs/2408.08900v1
• Date: Mon, 12 Aug 2024 04:40:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 17:51:31.331269
• Title: Towards Effective Authorship Attribution: Integrating Class-Incremental Learning
• Title（参考訳）: 効果的なオーサシップ貢献に向けて:クラスインクリメンタルラーニングの統合
• Authors: Mostafa Rahgouy, Hamed Babaei Giglou, Mehnaz Tabassum, Dongji Feng, Amit Das, Taher Rahgooy, Gerry Dozier, Cheryl D. Seals,
• Abstract要約: 本稿では,AA を CIL として再定義し,初期訓練段階以降に新たな著者を段階的に導入し,システムへの適応と学習を連続的に行うことを提案する。 本論文は,閉世界モデルからCILパラダイムによる継続的な学習へ,AAシステムを進化させる出発点として機能する。
• 参考スコア（独自算出の注目度）: 2.5011703013171456
• License:
• Abstract: AA is the process of attributing an unidentified document to its true author from a predefined group of known candidates, each possessing multiple samples. The nature of AA necessitates accommodating emerging new authors, as each individual must be considered unique. This uniqueness can be attributed to various factors, including their stylistic preferences, areas of expertise, gender, cultural background, and other personal characteristics that influence their writing. These diverse attributes contribute to the distinctiveness of each author, making it essential for AA systems to recognize and account for these variations. However, current AA benchmarks commonly overlook this uniqueness and frame the problem as a closed-world classification, assuming a fixed number of authors throughout the system's lifespan and neglecting the inclusion of emerging new authors. This oversight renders the majority of existing approaches ineffective for real-world applications of AA, where continuous learning is essential. These inefficiencies manifest as current models either resist learning new authors or experience catastrophic forgetting, where the introduction of new data causes the models to lose previously acquired knowledge. To address these inefficiencies, we propose redefining AA as CIL, where new authors are introduced incrementally after the initial training phase, allowing the system to adapt and learn continuously. To achieve this, we briefly examine subsequent CIL approaches introduced in other domains. Moreover, we have adopted several well-known CIL methods, along with an examination of their strengths and weaknesses in the context of AA. Additionally, we outline potential future directions for advancing CIL AA systems. As a result, our paper can serve as a starting point for evolving AA systems from closed-world models to continual learning through CIL paradigms.
• Abstract（参考訳）: AAは、複数のサンプルを持つ既知の候補のグループから、未確認の文書を真の著者に帰属させるプロセスである。 AAの性質は、個々の個人がユニークでなければならないため、新しい作家を収容する必要がある。 この独特さは、そのスタイル的好み、専門分野、性別、文化的背景、およびそれらの著作に影響を与えるその他の個人的特徴など、様々な要因に起因している。 これらの多彩な属性は、各著者の独特さに寄与し、AAシステムがこれらのバリエーションを認識し、説明することが不可欠である。 しかし、現在のAAベンチマークは一般にこのユニークさを軽視し、問題をクローズドワールドの分類として捉え、システムの寿命を通じて一定数の著者を仮定し、新しい著者が登場することを無視している。 この監視は、継続的学習が不可欠であるAAの現実的な応用には、既存のアプローチの大部分が効果がないことを示している。 これらの非効率性は、現在のモデルは、新しい著者の学習に抵抗するか、破滅的な忘れを経験するかのいずれかである。 これらの非効率性に対処するため,本研究では,初期学習段階以降に新たな著者が段階的に導入され,システムへの適応と学習が継続的に行えるように,AAをCILとして再定義する。 これを実現するために、他のドメインで導入された後続のCILアプローチについて簡単に検討する。 さらに,いくつかの有名なCIL手法を採用し,AAの文脈における長所と短所について検討した。 さらに, CIL AA システムの進展に向けた今後の方向性について概説する。 その結果,本論文は,閉世界モデルからCILパラダイムによる継続的な学習まで,AAシステムを進化させる出発点となる。

関連論文リスト

• A Survey on All-in-One Image Restoration: Taxonomy, Evaluation and Future Trends [67.43992456058541]
  画像復元(IR)とは、ノイズ、ぼかし、気象効果などの劣化を除去しながら、画像の視覚的品質を改善する過程である。 従来のIR手法は、一般的に特定の種類の劣化をターゲットとしており、複雑な歪みを伴う現実のシナリオにおいて、その効果を制限している。 オールインワン画像復元(AiOIR)パラダイムが登場し、複数の劣化タイプに順応的に対処する統一されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-10-19T11:11:09Z)
• Auto-selected Knowledge Adapters for Lifelong Person Re-identification [54.42307214981537]
  Lifelong Person Re-Identificationは、異なる時間と場所にわたる重複しないデータセットから継続的に学習するシステムを必要とする。 リハーサルのない、あるいはリハーサルベースの既存のアプローチは、依然として破滅的な忘れ込みの問題に悩まされている。 本稿では,知識アダプタを採用した新しいフレームワークであるAdalReIDと,生涯学習のためのパラメータフリー自動選択機構を提案する。
  論文  参考訳（メタデータ） (2024-05-29T11:42:02Z)
• Know Yourself Better: Diverse Discriminative Feature Learning Improves Open Set Recognition [1.386950208583845]
  我々は,特徴多様性の側面に着目したオープンセット認識手法の解析を行う。 本研究は,多様な識別特徴の学習とOSR性能の向上との間に有意な相関関係があることを明らかにする。 特徴多様性の利点を生かしたOSR手法を提案する。
  論文  参考訳（メタデータ） (2024-04-16T08:08:47Z)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• The Creative Frontier of Generative AI: Managing the Novelty-Usefulness Tradeoff [0.4873362301533825]
  生成人工知能(AI)システムにおける新規性と有用性の最適バランスについて検討する。 どちらの側面も過度に強調すると、幻覚や暗記のような限界に繋がる。
  論文  参考訳（メタデータ） (2023-06-06T11:44:57Z)
• Anderson Acceleration For Bioinformatics-Based Machine Learning [4.588028371034407]
  Anderson acceleration (AA) は反復アルゴリズムの収束を加速するためのよく知られた手法である。 本稿では,AAを組み込んで収束を高速化するサポートベクトルマシン(SVM)分類法を提案する。 我々は,AAの使用が収束を著しく改善し,反復回数の増加とともにトレーニング損失を減少させることを示した。
  論文  参考訳（メタデータ） (2023-02-01T10:11:03Z)
• Novel Class Discovery without Forgetting [72.52222295216062]
  我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。 ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。 CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
  論文  参考訳（メタデータ） (2022-07-21T17:54:36Z)
• Class-Specific Semantic Reconstruction for Open Set Recognition [101.24781422480406]
  オープンセット認識により、ディープニューラルネットワーク(DNN)は未知のクラスのサンプルを識別できる。 本稿では,自動エンコーダ(AE)とプロトタイプ学習を統合したCSSR(Class-Specific Semantic Reconstruction)を提案する。 複数のデータセットで実験を行った結果,提案手法は閉集合認識と開集合認識の両方において優れた性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-07-05T16:25:34Z)
• Self-Aware Feedback-Based Self-Learning in Large-Scale Conversational AI [8.638846754482467]
  大規模な会話型AIエージェントにおける自己学習のパラダイムは、ユーザからのフィードバックを利用して、発言と意味をブリッジする傾向がある。 我々の自己認識モデルはPR-AUC全体を27.45%改善し、相対的な欠陥を最大31.22%減少させ、世界的嗜好の変化に迅速に適応できることを示した。
  論文  参考訳（メタデータ） (2022-04-29T18:18:40Z)
• Evaluation Toolkit For Robustness Testing Of Automatic Essay Scoring Systems [64.4896118325552]
  モデル逆算評価スキームと関連するメトリクスを用いて、現状のAESモデルを評価する。 AESモデルは非常に過大評価されていることがわかった。質問の話題に関係のない内容の重い修正(25%まで)でさえ、モデルが生み出すスコアを低下させることはない。
  論文  参考訳（メタデータ） (2020-07-14T03:49:43Z)

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。