文献

J-GLOBAL ID：201902280278245390   整理番号：19A1540038

生涯の事実学習に向けた挑戦の調査【JST・京大機械翻訳】

Exploring the Challenges Towards Lifelong Fact Learning

著者 (6件)： Elhoseiny Mohamed (Facebook AI Research, Palo Alto, USA) ,  Babiloni Francesca (KU Leuven, Leuven, Belgium) ,  Aljundi Rahaf (KU Leuven, Leuven, Belgium) ,  Rohrbach Marcus (Facebook AI Research, Palo Alto, USA) ,  Paluri Manohar (Facebook AI Research, Palo Alto, USA) ,  Tuytelaars Tinne (KU Leuven, Leuven, Belgium)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11366  ページ： 66-84  発行年： 2019年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： これまで,比較的小規模で比較的人工的なセットアップにおいて,長寿命学習(LLL)が研究されてきた。ここでは,新しい大規模代替案を紹介した。提案された構成をより自然で人間のような視覚システムに近づけることは3倍である。最初に,単一オブジェクトから行動を実行するオブジェクトや他のオブジェクトと相互作用するオブジェクトのような複雑な構造に変化する概念(または事実)に焦点を合わせた。第二に,実世界の設定において,著者らのセットアップは長いテール分布を持ち,LLLコンテキストにおいてほとんど無視されていた。第3に,タスクを通しての事実は,構造(例えば,[数式:原文を参照]人,乗馬,波[数式:原文を参照]および[数式:原文を参照]イヌ,乗馬,波[数式:原文を参照])を共有する可能性がある。事実は,「タイガー」や「lion」のような見られるカテゴリーに関連する意味論的にも関連する(例えば,ライガ)。多数の可能な事実を考えると,LLLセットアップは自然選択と思われる。時間にわたって成長するモデルサイズを避けて,意味関係と構造を最適に利用するために,著者らはそれを離散的クラスラベルの代わりに視覚的意味的埋込みと結合した。既存のデータセットを,それらを意味論的またはランダムに分割することにより,新しいベンチマークに上述の性質を持つ既存のデータセットを適応させた。これにより,906,232の画像と165,150のユニークな事実をもつ2つの大規模ベンチマークが得られ,その上で,最新のLLL法を評価し,解析した。Copyright 2019 Springer Nature Switzerland AG Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ベンチマーク ,  意味論 ,  *学習 ,  相互作用 ,  画像 ,  視覚 ,  自然淘汰
準シソーラス用語： 視覚システム ,  長寿命 , 【Automatic Indexing@JST】

分類 (2件)： データベースシステム  (JD03030U) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： 学習 ,  調査