文献

J-GLOBAL ID：202002281131218620   整理番号：20A0504165

三重項比較データからの分類【JST・京大機械翻訳】

Classification from Triplet Comparison Data

著者 (4件)： Cui Zhenghang (The University of Tokyo, Tokyo 113-0033, Japan, and RIKEN Center for Advanced Intelligence Project, Tokyo 103-0027, Japan) ,  Charoenphakdee Nontawat (The University of Tokyo, Tokyo 113-0033, Japan, and RIKEN Center for Advanced Intelligence Project, Tokyo 103-0027, Japan) ,  Sato Issei (The University of Tokyo, Tokyo 113-0033, Japan, and RIKEN Center for Advanced Intelligence Project, Tokyo 103-0027, Japan) ,  Sugiyama Masashi (RIKEN Center for Advanced Intelligence Project, Tokyo 103-0027, Japan and The University of Tokyo, Tokyo 113-0033, Japan)
資料名： Neural Computation  (Neural Computation)
巻： 32  号： 3  ページ： 659-681  発行年： 2020年 
JST資料番号： W0257A  ISSN： 0899-7667  資料種別： 逐次刊行物 (A)
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： 三重項比較データからの学習は,二つのインスタンス間の距離メトリックを学習し,可能な限り比較次数を保存する与えられたインスタンスのEuclid空間への埋め込みを学習することを望む,メトリック学習の文脈において広く研究されている。完全にラベルされたデータと異なり,三重項比較データはより正確で人間に優しい方法で収集できる。三重項比較データからの学習は多くの応用において考慮されているが,すべてのラベルなしで三重項比較データからのみ分類器を学習できるかどうかの重要な基本的問題は未回答のままである。本稿では,経験的リスク最小化フレームワーク下での分類リスクに対する非バイアス推定器を提案することにより,この重要な問題に対する肯定的な答えを与えた。提案した方法は経験的リスク最小化フレームワークに基づいているので,ニューラルネットワークを含む任意の代理損失関数と任意のモデルが容易に適用できるという利点がある。さらに,提案した経験的リスク最小化器に対する推定誤差限界を理論的に確立した。最後に,実験結果を提供し,著者らの方法が,経験的に良好に動作し,種々のベースライン法より優れていることを示した。Copyright 2020 Massachusetts Institute of Technology Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 損失関数 ,  バイアス ,  基準線 ,  Euclid空間 ,  *ニューラルネットワーク ,  推定誤差 ,  メトリック学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： 三重項 ,  分類