文献

J-GLOBAL ID：202002260083793971   整理番号：20A1750780

影響関数による強化ネットワークの学習【JST・京大機械翻訳】

Learning Augmentation Network via Influence Functions

著者 (4件)： Lee Donghoon (Korea Advanced Institute of Science and Technology (KAIST)) ,  Park Hyunsin (Korea Advanced Institute of Science and Technology (KAIST)) ,  Pham Trung (Korea Advanced Institute of Science and Technology (KAIST)) ,  Yoo Chang D. (Korea Advanced Institute of Science and Technology (KAIST))
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CVPR  ページ： 10958-10967  発行年： 2020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： データ増強は,重要な方法で画像分類モデルの一般化性能に影響を与えることができる。しかし,試行錯誤に基づいて現在行われ,訓練中に一般化性能への影響は予測できない。本論文では,検証損失に関して,一般化性能が特定の拡張訓練サンプルによって影響を受けるかを予測する影響関数を考察した。影響関数は,訓練プロセスにおけるサンプルを含み除外する性能を比較することなく,検証損失における変化の近似を提供する。この機能に基づいて,検証損失を減らすために入力訓練サンプルを強化するために,微分可能な増強ネットワークを学習した。拡張サンプルを分類ネットワークに供給し,その影響を分類ネットワークの最後の完全接続層のパラメータの関数として近似した。バックプロパゲーションネットワークへの影響を逆伝搬することによって,増強ネットワークパラメータを学習した。CIFAR-10,CIFAR-100,およびImageNetに関する実験結果は,提案方法が従来のデータ増強法よりもより良い一般化性能を提供することを示した。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： *ネットワーク ,  微分 ,  逆伝搬法
準シソーラス用語： 画像分類 , 【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)： 影響関数 ,  強化 ,  学習