論文の概要: SiamMM: A Mixture Model Perspective on Deep Unsupervised Learning
- arxiv url: http://arxiv.org/abs/2511.05462v1
- Date: Fri, 07 Nov 2025 18:07:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-10 21:00:44.855979
- Title: SiamMM: A Mixture Model Perspective on Deep Unsupervised Learning
- Title（参考訳）: SiamMM: 深層教師なし学習の混合モデル
- Authors: Xiaodong Wang, Jing Huang, Kevin J Liang,
- Abstract要約: 本研究では,教師なしクラスタリング手法と統計学からの古典混合モデルとの接続を確立する。
本手法は,各種自己教師付き学習ベンチマークにおける最先端性能を実現する。
学習したクラスターの検査は、見当たらない真実ラベルと強い類似性を示し、誤ラベルの可能性を明らかにする。
- 参考スコア（独自算出の注目度）: 12.136107883911615
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent studies have demonstrated the effectiveness of clustering-based approaches for self-supervised and unsupervised learning. However, the application of clustering is often heuristic, and the optimal methodology remains unclear. In this work, we establish connections between these unsupervised clustering methods and classical mixture models from statistics. Through this framework, we demonstrate significant enhancements to these clustering methods, leading to the development of a novel model named SiamMM. Our method attains state-of-the-art performance across various self-supervised learning benchmarks. Inspection of the learned clusters reveals a strong resemblance to unseen ground truth labels, uncovering potential instances of mislabeling.
- Abstract（参考訳）: 近年の研究では、自己教師あり教師なし学習におけるクラスタリングに基づくアプローチの有効性が実証されている。
しかし、クラスタリングの適用はしばしばヒューリスティックであり、最適な方法論はいまだ不明である。
本研究では、これらの教師なしクラスタリング手法と統計学からの古典混合モデルとの接続を確立する。
このフレームワークを通じて,これらのクラスタリング手法の大幅な拡張を示し,SiamMMと呼ばれる新しいモデルの開発に繋がる。
本手法は,各種自己教師付き学習ベンチマークにおける最先端性能を実現する。
学習したクラスターの検査は、見当たらない真実ラベルと強い類似性を示し、誤ラベルの可能性を明らかにする。
関連論文リスト
- Unsupervised Cognition [2.5069344340760713]
本稿では,新しい認知フレームワークに触発された意思決定のための,プリミティブベースの教師なし学習手法を提案する。
この表現中心のアプローチは、入力空間を入力に依存しない方法で分散階層構造として構成的にモデル化する。
論文 参考訳（メタデータ） (2024-09-27T10:50:49Z) - GCC: Generative Calibration Clustering [55.44944397168619]
本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。
まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。
第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
論文 参考訳（メタデータ） (2024-04-14T01:51:11Z) - Class-Incremental Mixture of Gaussians for Deep Continual Learning [15.49323098362628]
本稿では,ガウスモデルの混合を連続学習フレームワークに組み込むことを提案する。
固定抽出器を用いたメモリフリーシナリオにおいて,本モデルが効果的に学習可能であることを示す。
論文 参考訳（メタデータ） (2023-07-09T04:33:19Z) - Semi-supervised learning made simple with self-supervised clustering [65.98152950607707]
自己教師付き学習モデルは、人間のアノテーションを必要とせずにリッチな視覚表現を学習することが示されている。
本稿では,クラスタリングに基づく自己教師付き手法を半教師付き学習者へと変換する,概念的に単純だが経験的に強力な手法を提案する。
論文 参考訳（メタデータ） (2023-06-13T01:09:18Z) - Evaluating Disentanglement in Generative Models Without Knowledge of
Latent Factors [71.79984112148865]
本稿では,学習中に提示される学習力学に基づいて生成モデルのランキング付けを行う手法を提案する。
本手法は,近年の解離の理論的特徴から着想を得たものであり,その根底にある潜伏因子の監督は不要である。
論文 参考訳（メタデータ） (2022-10-04T17:27:29Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳（メタデータ） (2022-09-27T19:04:36Z) - Hybrid Dynamic Contrast and Probability Distillation for Unsupervised
Person Re-Id [109.1730454118532]
非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。
本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。
教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
論文 参考訳（メタデータ） (2021-09-29T02:56:45Z) - Solving Inefficiency of Self-supervised Representation Learning [87.30876679780532]
既存のコントラスト学習法は、非常に低い学習効率に苦しむ。
アンダークラスタリングとオーバークラスタリングの問題は、学習効率の大きな障害である。
中央三重項損失を用いた新しい自己監督学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-18T07:47:10Z)
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。