論文の概要: A prototype-based model for set classification

• arxiv url: http://arxiv.org/abs/2408.13720v1
• Date: Sun, 25 Aug 2024 04:29:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-27 18:09:49.730429
• Title: A prototype-based model for set classification
• Title（参考訳）: 集合分類のためのプロトタイプベースモデル
• Authors: Mohammad Mohammadi, Sreejita Ghosh,
• Abstract要約: ベクトルの集合を表す一般的な方法は、それらを線型部分空間としてモデル化することである。 我々は、そのような線型部分空間、グラスマン多様体から形成される多様体について、プロトタイプベースの学習手法を提案する。
• 参考スコア（独自算出の注目度）: 2.0564549686015594
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Classification of sets of inputs (e.g., images and texts) is an active area of research within both computer vision (CV) and natural language processing (NLP). A common way to represent a set of vectors is to model them as linear subspaces. In this contribution, we present a prototype-based approach for learning on the manifold formed from such linear subspaces, the Grassmann manifold. Our proposed method learns a set of subspace prototypes capturing the representative characteristics of classes and a set of relevance factors automating the selection of the dimensionality of the subspaces. This leads to a transparent classifier model which presents the computed impact of each input vector on its decision. Through experiments on benchmark image and text datasets, we have demonstrated the efficiency of our proposed classifier, compared to the transformer-based models in terms of not only performance and explainability but also computational resource requirements.
• Abstract（参考訳）: 入力の集合(例えば画像やテキスト)の分類は、コンピュータビジョン(CV)と自然言語処理(NLP)の両方において活発な研究領域である。 ベクトルの集合を表す一般的な方法は、それらを線型部分空間としてモデル化することである。 この貢献として、そのような線型部分空間であるグラスマン多様体から生成される多様体について、プロトタイプベースの学習法を提案する。 提案手法は,クラスの代表的特徴を捉えるサブスペースプロトタイプの集合と,サブスペースの次元選択を自動化する関連因子の集合を学習する。 これにより、各入力ベクトルの計算された影響をその決定に示す透明な分類器モデルが導かれる。 ベンチマーク画像とテキストデータセットの実験を通じて,提案した分類器の効率を,性能と説明可能性だけでなく,計算資源の要求にもよる変換器モデルと比較した。

関連論文リスト

• Analyzing the Benefits of Prototypes for Semi-Supervised Category Learning [3.5595258376041814]
  半教師付き学習におけるプロトタイプベース表現の利点について検討する。 プロトタイプの作成により,半教師付きカテゴリー学習が向上することを示す。
  論文  参考訳（メタデータ） (2024-06-04T12:47:11Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• Deciphering 'What' and 'Where' Visual Pathways from Spectral Clustering of Layer-Distributed Neural Representations [15.59251297818324]
  本稿では,ニューラルネットワークのアクティベーションに含まれる情報をグループ化する手法を提案する。 すべてのレイヤの機能を利用して、モデルのどの部分が関連する情報を含んでいるのかを推測する必要をなくします。
  論文  参考訳（メタデータ） (2023-12-11T01:20:34Z)
• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• Rethinking Person Re-identification from a Projection-on-Prototypes Perspective [84.24742313520811]
  検索タスクとしてのPerson Re-IDentification(Re-ID)は,過去10年間で大きな発展を遂げてきた。 本稿では,新しいベースライン ProNet を提案する。 4つのベンチマークの実験では、提案したProNetは単純だが有効であり、以前のベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2023-08-21T13:38:10Z)
• Learning Support and Trivial Prototypes for Interpretable Image Classification [19.00622056840535]
  Prototypeal part network (ProtoPNet) 法は解釈可能な分類を実現するために設計されている。 本稿では,特徴空間の分類境界付近にあるサポートプロトタイプを学習するための新しい手法により,ProtoPNetの分類を改善することを目的とする。
  論文  参考訳（メタデータ） (2023-01-08T09:27:41Z)
• Learning to Select Prototypical Parts for Interpretable Sequential Data Modeling [7.376829794171344]
  本稿では,原型概念の線形結合を用いた自己説明選択モデル(SESM)を提案する。 より良い解釈可能性を得るために,多様性,安定性,局所性など,複数の制約をトレーニング対象として設計する。
  論文  参考訳（メタデータ） (2022-12-07T01:42:47Z)
• Automatically Discovering Novel Visual Categories with Self-supervised Prototype Learning [68.63910949916209]
  本稿では,大規模な画像収集において未知のカテゴリを識別することを目的とした,新しいカテゴリ発見(NCD)の課題に取り組む。 本稿では,プロトタイプ表現学習とプロトタイプ自己学習という,2つの主要な段階からなる適応型プロトタイプ学習手法を提案する。 本研究では,4つのベンチマークデータセットについて広範な実験を行い,提案手法の有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-08-01T16:34:33Z)
• Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
  学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。 我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。 この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
  論文  参考訳（メタデータ） (2022-03-28T21:15:32Z)
• Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
  本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。 第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。 提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS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） (2021-11-09T08:14:50Z)
• Linear Classifier Combination via Multiple Potential Functions [0.6091702876917279]
  決定境界からクラスセントロイドまでの距離との距離に基づいてスコアリング関数を計算する新しい概念を提案する。 重要な性質は、提案されたスコア関数がすべての線形基底分類器に対して同じ性質を持つことである。
  論文  参考訳（メタデータ） (2020-10-02T08:11:51Z)

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。