論文の概要: Improved Feature Generating Framework for Transductive Zero-shot Learning
- arxiv url: http://arxiv.org/abs/2412.18282v1
- Date: Tue, 24 Dec 2024 08:42:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-25 15:54:57.992823
- Title: Improved Feature Generating Framework for Transductive Zero-shot Learning
- Title（参考訳）: トランスダクティブゼロショット学習のための特徴生成フレームワークの改良
- Authors: Zihan Ye, Xinyuan Ru, Shiming Chen, Yaochu Jin, Kaizhu Huang, Xiaobo Jin,
- Abstract要約: 特徴生成適応ネットワークは、目に見えないクラスの高品質な表現を生成するために強力な生成モデルとして登場した。
ゼロショット学習(TZSL)の枠組みにおける未確認クラス事前の重要影響について考察する。
PFA学習(Pseudo-conditional Feature Adversarial)とVER学習(VER)の2つの新しいコンポーネントを組み込んだ改良型特徴生成フレームワークI-VAEGANを紹介する。
- 参考スコア（独自算出の注目度）: 31.656888766677664
- License:
- Abstract: Feature Generative Adversarial Networks have emerged as powerful generative models in producing high-quality representations of unseen classes within the scope of Zero-shot Learning (ZSL). This paper delves into the pivotal influence of unseen class priors within the framework of transductive ZSL (TZSL) and illuminates the finding that even a marginal prior bias can result in substantial accuracy declines. Our extensive analysis uncovers that this inefficacy fundamentally stems from the utilization of an unconditional unseen discriminator - a core component in existing TZSL. We further establish that the detrimental effects of this component are inevitable unless the generator perfectly fits class-specific distributions. Building on these insights, we introduce our Improved Feature Generation Framework, termed I-VAEGAN, which incorporates two novel components: Pseudo-conditional Feature Adversarial (PFA) learning and Variational Embedding Regression (VER). PFA circumvents the need for prior estimation by explicitly injecting the predicted semantics as pseudo conditions for unseen classes premised by precise semantic regression. Meanwhile, VER utilizes reconstructive pre-training to learn class statistics, obtaining better semantic regression. Our I-VAEGAN achieves state-of-the-art TZSL accuracy across various benchmarks and priors. Our code would be released upon acceptance.
- Abstract（参考訳）: 特徴生成適応ネットワークはゼロショット学習(ZSL)の範囲内で、目に見えないクラスの高品質な表現を生成するために強力な生成モデルとして登場した。
本論文は, トランスダクティブZSL (TZSL) の枠組みにおいて, 目に見えないクラス先行者の重要な影響を考察し, 限界偏差であっても, 精度が著しく低下することを示した。
この非効率性は、既存のTZSLのコアコンポーネントである無条件の未確認判別器の利用に根ざしていることが明らかとなった。
さらに、生成元がクラス固有の分布に完全に適合しない限り、この成分の有害な影響は避けられないと断定する。
これらの知見に基づいて,PFA(Pseudo-conditional Feature Adversarial)学習とVER(Variational Embedding Regression)という2つの新しいコンポーネントを組み込んだI-VAEGANという改良された特徴生成フレームワークを紹介した。
PFAは、予測されたセマンティクスを、正確にセマンティクスの回帰によって前提づけられた未確認クラスの擬似条件として明示的に注入することで、事前推定の必要性を回避する。
一方、VERは再構築前トレーニングを利用してクラス統計を学習し、セマンティックレグレッションを改善する。
我々のI-VAEGANは、様々なベンチマークや事前で最先端のTZSL精度を実現しています。
私たちのコードは受理時に解放されるでしょう。
関連論文リスト
- Understanding the Role of Equivariance in Self-supervised Learning [51.56331245499712]
同変自己教師学習(E-SSL)は、拡張に注意する機能を学ぶ。
我々は、同変タスクと分類タスクの相乗効果を生成するE-SSLにおける重要な説明アウト効果を同定する。
E-SSLの実用設計の原則をいくつか明らかにする。
論文 参考訳（メタデータ） (2024-11-10T16:09:47Z) - Understanding and Mitigating Miscalibration in Prompt Tuning for Vision-Language Models [22.501089777956654]
信頼性のキャリブレーションは、現実世界における機械学習モデルの安全なデプロイに不可欠である。
既存のプロンプトチューニング手法は、通常、ベースクラスと新しいクラスのキャリブレーションのトレードオフにつながる。
微調整後, 基本クラスと新クラスの信頼性校正を確保するために, ダイナミック・アウトレイラ正規化を導入する。
論文 参考訳（メタデータ） (2024-10-03T17:06:21Z) - Federated Class-Incremental Learning with Hierarchical Generative Prototypes [10.532838477096055]
Federated Learning (FL)は、複数のデバイス(クライアント)に分散した計算をすることで、ディープモデルのトレーニングを解き放つことを目的としている。
提案手法は,学習可能なプロンプトを用いてトレーニング済みのバックボーンを効率よく微調整することにより,最終層のバイアスを抑える。
提案手法は現状を著しく改善し, 平均精度は+7.8%向上した。
論文 参考訳（メタデータ） (2024-06-04T16:12:27Z) - Integrating Prior Knowledge in Contrastive Learning with Kernel [4.050766659420731]
我々は、カーネル理論を用いて、(i)事前知識の統合を可能にし、(i)元のInfoNCE損失における負の正の結合を取り除くという、分離均一性(decoupled uniformity)と呼ばれる新しい損失を提案する。
教師なしの環境では、CLは自然画像と医用画像の両方で表現を改善するために生成モデルから恩恵を受けることを実証的に実証する。
論文 参考訳（メタデータ） (2022-06-03T15:43:08Z) - Zero-Shot Logit Adjustment [89.68803484284408]
Generalized Zero-Shot Learning (GZSL) は意味記述に基づく学習技術である。
本稿では,分類器の改良を無視しつつ,ジェネレータの効果を高める新しい世代ベース手法を提案する。
実験により,提案手法が基本生成器と組み合わせた場合の最先端化を実現し,様々なゼロショット学習フレームワークを改良できることが実証された。
論文 参考訳（メタデータ） (2022-04-25T17:54:55Z) - Towards the Semantic Weak Generalization Problem in Generative Zero-Shot
Learning: Ante-hoc and Post-hoc [89.68803484284408]
生成ゼロショット学習(ZSL)の性能上限を制限した未探索要素を簡易かつ効果的に削減する戦略を提案する。
まず、意味的一般化を正式に定義し、その後、意味的弱一般化問題を減らそうとするアプローチを検討する。
アンテホック相では、ジェネレータのセマンティック入力を増強し、ジェネレータの適合ターゲットを緩和する。
論文 参考訳（メタデータ） (2022-04-24T13:54:42Z) - Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient
for Out-of-Distribution Generalization [52.7137956951533]
既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。
本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。
自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
論文 参考訳（メタデータ） (2022-02-14T16:42:16Z) - Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。
本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
論文 参考訳（メタデータ） (2021-08-16T11:52:08Z) - Generalized Zero-Shot Learning via VAE-Conditioned Generative Flow [83.27681781274406]
一般化されたゼロショット学習は、意味的記述から視覚的表現へ知識を移すことによって、目に見えないクラスと見えないクラスの両方を認識することを目的としている。
近年のGZSLはデータ不足問題として定式化されており、主にGANやVAEを採用して、目に見えないクラスの視覚的特徴を生成する。
GZSLのための条件付き生成フロー,すなわちVAE-Conditioned Generative Flow (VAE-cFlow)を提案する。
論文 参考訳（メタデータ） (2020-09-01T09:12:31Z) - Invertible Zero-Shot Recognition Flows [42.839333265321905]
本研究はゼロショット学習(ZSL)に新たな生成モデル(フローベースモデル)を取り入れたものである。
提案したInvertible Zero-shot Flow (IZF) は、逆パスがデータサンプルを生成する間、非可逆フローネットワークの前方パスに分解されたデータ埋め込みを学習する。
広く採用されているZSLベンチマークの実験では、既存の手法よりもIZFの性能が著しく向上していることが示されている。
論文 参考訳（メタデータ） (2020-07-09T15:21:28Z)
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。