文献

J-GLOBAL ID：202002267427270163   整理番号：20A2273986

オープンセット半教師つき学習のためのマルチタスクカリキュラムフレームワーク【JST・京大機械翻訳】

Multi-task Curriculum Framework for Open-Set Semi-supervised Learning

著者 (5件)： Yu Qing (The University of Tokyo, Bunkyo, Japan) ,  Ikami Daiki (The University of Tokyo, Bunkyo, Japan) ,  Ikami Daiki (NTT Corporation, Chiyoda, Japan) ,  Irie Go (NTT Corporation, Chiyoda, Japan) ,  Aizawa Kiyoharu (The University of Tokyo, Bunkyo, Japan)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12357  ページ： 438-454  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： 半教師つき学習(SSL)は,限られたラベル付きデータしか利用できない場合,強力なモデルを訓練するためのラベルなしデータを利用するために提案されている。既存のSSL法は,ラベル付きおよびラベル無しデータにおけるサンプルがそれらのサンプルのクラスを共有すると仮定するが,著者らは,オープンセットSSLというより複雑な新しいシナリオを取り上げて,そこでは,アウトオブ分布(OOD)サンプルがラベルなしデータに含まれている。OOD検出器とSSLを別々に訓練する代わりに,マルチタスクカリキュラム学習フレームワークを提案した。最初に,ラベルなしデータのOODサンプルを検出するために,OODに属するサンプルの確率を推定した。ネットワークパラメータとOODスコアを交互に更新する共同最適化フレームワークを用いた。同時に,分布(ID)データの分類に関する高性能を達成するために,著者らは,小さなOODスコアを有するラベルなしデータにおいてIDサンプルを選択し,そして,半教師つき方法でIDサンプルを分類するために,深層ニューラルネットワークを訓練するためのラベル付きデータによってこれらのデータを使用した。いくつかの実験を実施し,著者らの方法はOOD試料の効果を成功裏に除去することによって最先端の結果を達成した。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： 最適化 ,  *学習 ,  *カリキュラム ,  検出器
準シソーラス用語： *半教師つき学習 ,  *マルチタスク ,  マルチタスク学習 ,  ネットワークパラメータ ,  ラベルなしデータ ,  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 (3件)： 半教師つき学習 ,  分布外検出 ,  マルチタスク学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (1件)： 半教師つき学習