抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
近年,深層学習はコンピュータビジョンの分野を革命し,様々なアプリケーションにおいて最先端の性能を達成した。しかし,ロバストな深層ニューラルネットワークの訓練は,大量の手でラベルされた訓練データを必要とし,それは時間消費と労働集約的である。アクティブ学習と転送学習は,限られたラベル付きデータによる学習問題に対処する2つの一般的な方法論である。アクティブ学習は,大量のラベルなしデータから顕著で模範的なインスタンスを選択する。転送学習はラベル付きソースドメインから知識を利用して,ラベル付きデータが不足している(関連)ターゲットドメインに対するモデルを開発する。本論文では,弱い監視の制約の下で,深い畳み込みニューラルネットワークを用いて,与えられたデータセットから有益な特徴表現を学習する目的で,新しい能動転送学習アルゴリズムを提案した。本研究では,研究課題に関連する損失関数を定式化し,勾配降下アルゴリズムを利用して,損失を最適化し,深いネットワークを訓練した。知る限りでは,これは,弱い人間の監督の下で,深層ニューラルネットワークを用いて有益な特徴表現を学習する目的で,能動および転送学習を統合するタスク特異的損失関数を提案する最初の研究努力である。多様な挑戦的,実世界アプリケーションに関する著者らの広範な経験的研究は,競合するベースラインに対する著者らのフレームワークのメリットを示す。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】