文献

J-GLOBAL ID：202002235293226580   整理番号：20A2694548

予歪モデル重みの伝達は半教師つき画像分類を実質的に改善する【JST・京大機械翻訳】

Transfer of Pretrained Model Weights Substantially Improves Semi-supervised Image Classification

著者 (3件)： Sahito Attaullah (Department of Computer Science, University of Waikato, Hamilton, New Zealand) ,  Frank Eibe (Department of Computer Science, University of Waikato, Hamilton, New Zealand) ,  Pfahringer Bernhard (Department of Computer Science, University of Waikato, Hamilton, New Zealand)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12576  ページ： 433-444  発行年： 2020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： 深層ニューラルネットワークは,多数のラベル付き事例で訓練された場合,最先端の結果を生成するが,訓練のために少量のラベル付き例を用いる場合,過剰適合する傾向がある。多数のラベル化事例の作成は,かなりの資源,時間,および努力を必要とする。新しいデータのラベル付けが実行可能でないならば,いわゆる半教師つき学習はラベル付きインスタンスと同様にラベルなしインスタンスを採用することによって純粋に教師つき学習よりもより良い一般化を達成できる。本論文で提示した研究は,移動学習が,類似のドメインで事前訓練されたモデルを利用することによって,性能をさらに改善する機会を提供するという観察によって動機づけられる。より具体的には,自己学習を用いた半教師つき学習を行うとき,転送学習の使用を探求する。主な貢献は,半教師つき学習における類似性メトリック学習法とラベル伝搬アルゴリズムの異なる組合せを用いた転送学習の経験的評価である。ニューラルネットワークを訓練するために使用される損失のタイプに関係なく,少数のラベル付き事例が利用できる場合,転送学習は常にモデルの正確性を改善することを見出した。この知見は,SVHN,CIFAR10,および植物村画像分類データセットに関する広範囲な実験を実行し,転送学習のためにImagenetから事前訓練された重みを適用することによって得られる。Copyright Springer Nature Switzerland AG 2020 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 ,  学習 ,  ニューラルネットワーク ,  教師つき学習 ,  類似性 ,  *予歪
準シソーラス用語： 自己学習 ,  *画像分類 ,  正確性 ,  半教師つき学習 ,  ラベル伝搬 ,  転移学習 ,  メトリック学習 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (6件)： 半教師つき学習 ,  転移学習 ,  自己学習 ,  三重項損失 ,  対照的損失 ,  アーク面損失

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 予歪 ,  モデル ,  教師 ,  画像分類