文献

J-GLOBAL ID：201802259065671296   整理番号：18A1768980

AUC最適化のためのクロスモーダル計量学習【JST・京大機械翻訳】

Cross-Modal Metric Learning for AUC Optimization

著者 (4件)： Huo Jing (State Key Laboratory for Novel Software Technology, Nanjing University, Nanjing, China) ,  Gao Yang (State Key Laboratory for Novel Software Technology, Nanjing University, Nanjing, China) ,  Shi Yinghuan (State Key Laboratory for Novel Software Technology, Nanjing University, Nanjing, China) ,  Yin Hujun (School of Electrical and Electronic Engineering, University of Manchester, Manchester, U.K.)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 29  号： 10  ページ： 4844-4856  発行年： 2018年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： クロスモーダルメトリック学習(CML)は,交差モードデータマッチングのための学習距離関数を扱う。既存の方法は,サンプル対で定義された損失を最小化することに焦点を合わせている。しかし,クラス内とクラス間のサンプル対の数は多くの応用において非常に不均衡になり,これにより劣化するか不満足な性能に導くことができる。受信者動作特性曲線(AUC)の下の面積は,不均衡分布問題のためのより意味のある性能測度である。この問題に取り組み,異なるモダリティからサンプルを直接比較できるようにするために,CML法を,AUCを直接最大化することによって提示した。この方法は,2つの特異的偽陽性率(FPRs)の間のAUCである部分的AUC(pAUC)の最適化に焦点を合わせるためにさらに拡張することができる。これは,あらかじめ定義された偽陽性範囲内で評価された性能のみが重要である特定の応用において特に有用である。提案した方法を,対数行列正則化半正定最適化問題として定式化した。効率的な最適化のために,ミニバッチ近接点アルゴリズムを開発した。アルゴリズムは,各反復でミニバッチを形成するサンプリング対のサイズにより実験的に検証された。いくつかのデータセットを評価に使用し,様々なシナリオの下での顔認識に関する3つのクロスモーダルデータセットと単一モーダルデータセット,WildにおけるLabed Facesを含んでいる。結果は,提案した方法の有効性と既存の方法に対する著しい改善を実証した。特に,pAUC最適化CMLは,FPR=0.1%においてランク1および検証率のような性能測度に対してより競争力があることを証明した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *最適化 ,  *学習 ,  最適化問題 ,  ロット ,  正則化 ,  対数 ,  マッチング ,  定式化
準シソーラス用語： ROC曲線 ,  不均衡 ,  モダリティ ,  距離関数 ,  誤検出 ,  メトリック学習 , 【Automatic Indexing@JST】

分類 (1件)： 信号理論  (ND02020G)

タイトルに関連する用語 (4件)： AUC ,  最適化 ,  計量 ,  学習