文献

J-GLOBAL ID：202002226761830700   整理番号：20A0268571

微分可能な凸最適化によるMeta学習【JST・京大機械翻訳】

Meta-Learning With Differentiable Convex Optimization

著者 (4件)： Lee Kwonjoon (UC San Diego) ,  Maji Subhransu (Univ. of Massachusetts, Amherst) ,  Ravichandran Avinash (Amazon) ,  Soatto Stefano (AWS Amazon ML)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： CVPR  ページ： 10649-10657  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 少数ショット学習のための多くのメタ学習手法は,最近傍分類器のような単純なベース学習者に依存している。しかし,少数ショット領域においてさえ,識別的に訓練された線形予測子は,より良い一般化を提供することができる。著者らは,これらの予測子をベース学習者として用いて,少数ショット学習のための表現を学習し,それらが特徴サイズと性能の間のより良いトレードオフを与えることを提案した。本研究の目的は,新しいカテゴリに対する線形分類ルールの下で良く一般化される特徴埋め込みを学習することである。目的を効率的に解くために,線形分類器の二つの特性を利用した。凸問題の最適条件の陰的微分と最適化問題の二重定式化である。これにより,計算オーバーヘッドの適度な増加において,改善された一般化を伴う高次元埋込みを使用することが可能になる。MetaOptNetと名付けた著者らのアプローチは,ミニ画像ネット,チe画像ネット,CIFAR-FS,およびFC100数ショット学習ベンチマークに関する最先端の性能を達成した。Copyright 2020 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： 最適化問題 ,  線形予測 ,  定式化 ,  凸形 ,  ベンチマーク ,  *学習 ,  粒状材 ,  最適条件 ,  高次元 ,  線形性 ,  *微分
準シソーラス用語： オーバヘッド ,  予測子 ,  学習者 ,  *凸最適化 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 微分 ,  凸最適化 ,  学習