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。
教師つき分類タスクの困難性と移転可能性を推定するための新しいアプローチを提案した。以前の研究とは異なり,著者らのアプローチは,解のアグノスティックであり,訓練されたモデルを必要としない。代わりに,著者らは,情報理論的アプローチを用いてこれらの値を推定する:ランダム変数として訓練ラベルを処理し,それらの統計を調査する。ソースからターゲットタスクへ移動するとき,2つのそのような変数(すなわち,2つのタスクのラベル割当)の間の条件付きエントロピーを考察した。この値が移動モデルの損失に関連することを解析的および経験的に示した。さらに,この値を用いてタスク硬度を推定する方法を示した。著者らは,著者らの主張を,3つの大規模データセット-(40のタスク),属性2(85のタスク)を有するAnimals,およびCaltech-UCSD Birds200(312のタスク)に関して広範囲にテストし,437の分類タスクを表現した。その結果,硬度と移動性の推定値は経験的硬度と移動性と強く相関することを示した。事例研究として,学習された顔認識モデルをColebA属性分類タスクに変換し,高度に移転可能な属性に対する最新の精度の状態を示した。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】