文献

J-GLOBAL ID：202002253565894869   整理番号：20A2139358

大規模クロスメディア検索のためのオンライン集合行列因数分解ハッシング【JST・京大機械翻訳】

Online Collective Matrix Factorization Hashing for Large-Scale Cross-Media Retrieval

著者 (5件)： Wang Di (Xidian University, Xi’an, China) ,  Wang Quan (Xidian University, Xi’an, China) ,  An Yaqiang (Xidian University, Xi’an, China) ,  Gao Xinbo (Xidian University, Xi’an, China) ,  Tian Yumin (Xidian University, Xi’an, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： SIGIR ’20  ページ： 1409-1418  発行年： 2020年 
JST資料番号： D0698C  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： クロスモーダルハッシングは,大規模クロスメディア検索におけるその効率のために最近広く研究されている。しかし,ほとんどの既存のクロスモーダルハッシュ法は,バッチベースの学習モードでハッシュ関数を学習する。このようなモードは,大きなメモリ消費のために大規模データセットに適しず,ストリーミングデータを訓練するとき,その効率を失う。オンライン交差モードハッシングは,オンライン学習プロセスにおけるハッシュモデル学習により上記の問題を扱うことができる。しかしながら,既存のオンラインクロスモーダルハッシュ法は,新しく学習されたモデルによって古いデータのハッシュコードを更新できない。本論文では,古いデータにアクセスすることなくハッシュモデルの動的変化に従って,古いデータのハッシュコードを適応的に更新できる,集団行列因数分解ハッシュ(CMFH)に基づくオンライン集合行列因子分解ハッシュ(OCMFH)を提案した。特に,オンライン最適化スキームにおける集団行列因数分解によるストリーミングデータに対する識別ハッシュ符号を学習する。メモリに全データポイントを負荷する必要のある従来のCMFHとは異なり,提案したOCMFHリトレインは,新しく到着するデータポイントによってのみ機能した。一方,新しいデータのハッシュコードを生成し,最新の更新ハッシュモデルによる古いデータのハッシュコードを更新する。そのような方法で,新しいデータと古いデータのハッシュコードはよく整合する。さらに,ゼロ平均戦略を開発し,オンラインハッシュ学習プロセスにおける平均変化問題を解決した。3つのベンチマークデータセットに関する大規模な実験は,オンラインクロスメディア検索におけるOCMFHの有効性と効率を実証した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  学習 ,  有効性 ,  ベンチマーク ,  ハッシュ関数 ,  *ハッシング
準シソーラス用語： オンライン学習 ,  学習過程 ,  *オンライン ,  *クロスメディア ,  *行列因数分解 , 【Automatic Indexing@JST】

著者キーワード (4件)： クロスモーダルハッシング ,  大規模検索 ,  行列因数分解 ,  オンライン学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： 大規模 ,  クロスメディア ,  検索 ,  オンライン ,  集合 ,  行列因数分解 ,  ハッシング