論文の概要: Efficient Neural Network Model Selection for Few-Class Application Datasets

• arxiv url: http://arxiv.org/abs/2606.19712v1
• Date: Thu, 18 Jun 2026 02:22:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.611388
• Title: Efficient Neural Network Model Selection for Few-Class Application Datasets
• Title（参考訳）: Few-class Application Datasetのためのニューラルネットワークモデル選択
• Authors: Bryan Bo Cao, Abhinav Sharma, Lawrence O'Gorman, Michael Coss, Shubham Jain,
• Abstract要約: そこで本研究では,データ側特性に基づく分類困難度尺度を開発し,より効率的なモデル選択を実現する方法を示す。 私たちの測定基準は、繰り返しトレーニングやテストよりも6～29$times$高速なモデルとデータセットの比較を可能にします。 モバイルロボット、ドローン、IoTシナリオにまたがる、少数のモデル選択を実演します。
• 参考スコア（独自算出の注目度）: 8.91759891163444
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: While much effort has focused on developing and benchmarking high-performance neural networks, less attention has been given to how dataset properties, known to practitioners, can guide efficient model selection. Neural models are typically evaluated on datasets with thousands of classes, yet many real-world applications involve fewer than ten. To address this understudied but common setting, we develop a measure of classification difficulty based on data-side properties and show how it enables more efficient model selection for few-class datasets, where traditional approaches are less effective. We term this phenomenon "few-class distinctiveness". Our metric allows comparison of models and datasets 6 to 29$\times$ faster than repeated training and testing. Leveraging this insight, we extend scaled model families below the smallest published models, achieving greater efficiency at similar accuracy, for example models up to 42% smaller than YOLOv5-nano for a mobile robot task. Targeting resource-constrained applications, we demonstrate few-class model selection across mobile robot, drone, and IoT scenarios, highlighting practical gains in efficiency without sacrificing performance.
• Abstract（参考訳）: 高性能ニューラルネットワークの開発とベンチマークに多くの努力が注がれているが、実践者によって知られているデータセットプロパティが、効率的なモデル選択をガイドする方法にはあまり関心が向けられていない。 ニューラルネットワークは通常、何千ものクラスを持つデータセットで評価されるが、現実世界のアプリケーションの多くは10未満である。 そこで本研究では,データ側特性に基づく分類の難しさの尺度を開発し,従来のアプローチがより効果的でない少数のデータセットに対して,より効率的なモデル選択を可能にする方法を示す。 この現象を「二階級の独特さ」と呼ぶ。 私たちの測定値では、繰り返しトレーニングやテストよりも6～29$\times$高速なモデルとデータセットの比較が可能です。 例えば、モバイルロボットタスクのYOLOv5-nanoよりも最大42%小さいモデルである。 リソース制約のあるアプリケーションをターゲットとして、モバイルロボット、ドローン、IoTシナリオにまたがる少数のモデル選択を実演し、パフォーマンスを犠牲にすることなく、実用的な効率向上を強調します。

関連論文リスト

• Neural Coherence : Find higher performance to out-of-distribution tasks from few samples [22.92306176087978]
  本研究は,対象タスクからラベル付けされていないいくつかの例で確実に動作するモデル選択のための新しいアプローチを提案する。 我々は、ImageNet1K上でモデルが事前トレーニングされる実験を行い、Food-101、PlandNet-300K、iNaturalistからなるターゲットドメインを調べる。 提案手法は, 確立されたベースラインに比べて, これらの異なる対象領域間の一般化を著しく改善する。
  論文  参考訳（メタデータ） (2025-12-05T16:55:41Z)
• Enabling Small Models for Zero-Shot Selection and Reuse through Model Label Learning [50.68074833512999]
  モデルと機能の間のギャップを埋める新しいパラダイムであるモデルラベル学習(MLL)を導入する。 7つの実世界のデータセットの実験により、MLLの有効性と効率が検証された。
  論文  参考訳（メタデータ） (2024-08-21T09:08:26Z)
• A Lightweight Measure of Classification Difficulty from Application Dataset Characteristics [4.220363193932374]
  効率的なコサイン類似度に基づく分類困難度尺度Sを提案する。 データセットのクラス数とクラス内およびクラス間の類似度メトリクスから計算される。 この手法を実践者が、繰り返しトレーニングやテストによって、6倍から29倍の速度で効率の良いモデルを選択するのにどのように役立つかを示す。
  論文  参考訳（メタデータ） (2024-04-09T03:27:09Z)
• A Two-Phase Recall-and-Select Framework for Fast Model Selection [13.385915962994806]
  本稿では,2相モデル選択フレームワークを提案する。 これは、ベンチマークデータセット上でモデルのトレーニングパフォーマンスを活用することにより、堅牢なモデルを選択する効率を高めることを目的としている。 提案手法は,従来のベースライン法に比べて約3倍の速度でハイパフォーマンスモデルの選択を容易にすることが実証された。
  論文  参考訳（メタデータ） (2024-03-28T14:44:44Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• A Simple and Efficient Baseline for Data Attribution on Images [107.12337511216228]
  現在の最先端のアプローチでは、モデル予測を正確に評価するために、最大30万のモデルの大規模なアンサンブルが必要となる。 本研究では、自己教師付き学習によって事前訓練されたバックボーンの特徴空間を利用して、データ帰属を行うミニマリストベースラインに焦点を当てる。 提案手法はモデルに依存しず,大規模データセットに容易にスケールできる。
  論文  参考訳（メタデータ） (2023-11-03T17:29:46Z)
• Practical Active Learning with Model Selection for Small Data [13.128648437690224]
  モデル選択を用いた実践的能動的学習のための簡易かつ高速な手法を開発した。 本手法は,ラジアル基底関数カーネルを用いたサポートベクトル分類を用いて,二元分類のためのプールベースアクティブラーナに基づく。
  論文  参考訳（メタデータ） (2021-12-21T23:11:27Z)
• STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
  本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。 実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-07-15T02:53:11Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• It's the Best Only When It Fits You Most: Finding Related Models for Serving Based on Dynamic Locality Sensitive Hashing [1.581913948762905]
  トレーニングデータの作成は、生産や研究のためにディープラーニングモデルをデプロイするライフサイクルにおいて、しばしばボトルネックとなる。 本稿では,対象のデータセットと利用可能なモデルのトレーニングデータセットの類似性に基づいて,関連するモデルを検索してサービスするエンド・ツー・エンドプロセスを提案する。
  論文  参考訳（メタデータ） (2020-10-13T22:52:13Z)

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。