文献

J-GLOBAL ID：202002273468434009   整理番号：20A2339927

少数ショット学習のためのアンサンブルベース深層計量学習【JST・京大機械翻訳】

Ensemble-Based Deep Metric Learning for Few-Shot Learning

著者 (3件)： Zhou Meng (Department of Computer Science and Engineering, Shanghai Jiao Tong University, Shanghai, People’s Republic of China) ,  Li Yaoyi (Department of Computer Science and Engineering, Shanghai Jiao Tong University, Shanghai, People’s Republic of China) ,  Lu Hongtao (Department of Computer Science and Engineering, Shanghai Jiao Tong University, Shanghai, People’s Republic of China)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12396  ページ： 406-418  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： 過剰適合は数ショット学習における固有の問題である。アンサンブル学習は,限られたデータに関する全体的予測能力を改善するために,複数の機械学習モデルを統合し,従って,効果的に過剰適合の問題を軽減する。したがって,少数ショット分類の精度を改善するために,アンサンブル学習のアイデアを数ショット学習に適用した。計量学習は,少数ショット分類の問題を解決する重要な方法である。本論文では,スクラッチからエンドツーエンドに訓練された数ショット学習のためのアンサンブルベース深層メトリック学習(EBDM)を提案した。特徴抽出ネットワークを2つの部分に分割した:共有部分と排他的部分。共有部分は,特徴抽出ネットワークの下層であり,パラメータの数を減らすために,アンサンブルメンバーを通して共有される。排他的部分は特徴抽出ネットワークの高い層であり,個々の学習者に排他的である。2つの部分のカップリングは,より深く,非共有層に集中して,アンサンブルメンバー間の任意の多様性を自然に強制する。排他的部分から異なる特徴を得ることができ,次にこれらの異なる特徴を用いて多様な計量を計算した。これらの多重計量を組み合わせて,より正確なアンサンブルメトリックを生成する。このアンサンブルメトリックは,より高い精度で新しいクラスの画像にラベルを割り当てるのに使用できる。本研究は,少数ショット分類のための簡単で,効果的で効率的なフレームワークを導いた。実験結果は,著者らのアプローチが,関連する競合基準線上の分類精度における[数式:原文を参照]の最大の改善で,優れた性能を達成することを示した。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： *学習 ,  ネットワーク ,  特徴抽出 ,  多重化 ,  エンドツーエンド方式 ,  粒状材 ,  深層 ,  下層 ,  機械学習
準シソーラス用語： アンサンブル学習 ,  学習者 ,  分類精度 ,  ホップ数 , 【Automatic Indexing@JST】

著者キーワード (3件)： アンサンブル ,  少数ショット学習 ,  計量学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 少数ショット学習 ,  アンサンブル ,  深層 ,  計量 ,  学習