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。
本論文では,より有益なラベルに訓練ラベルを精密化することにより,確率的ラベルリファイナリー(SLR)と名付けた深い教師つき学習を改善するための簡単で効果的な戦略を提案した。ニューラルネットワークを訓練するとき,ターゲット分布(または地上-トラス)は典型的に「ハード」であり,それは各カテゴリのターゲットラベルが0と1だけから成ることを意味する。しかしながら,固定「ハード」ターゲット分布は,カテゴリー間またはオブジェクト間の関連を捉えるものではない。本研究では,ハードターゲット分布を用いる代わりに,ニューラルネットワークを訓練するための「ソフト」ターゲットラベル分布を反復的に発生させ,それはより良い性能をもたらす。ソフトターゲット分布を,”真の”ターゲット分布と学習モデルを隠れ変数と見なした期待値最大化(EM)反復により得た。Eステップにおいて,モデルを訓練データの確率的分割に関する目標分布を近似するために最適化した。Mステップにおいて,ターゲット分布を,leave-out分割に関する予測擬似ラベルによって更新した。分類と順序回帰タスクに関する広範な実験は,経験的に,洗練された目標分布が,競合基準線に応用されるかなりの性能改善につながることを経験的に証明する。特に,DeepDR 2020糖尿病網膜障害(DeepDRiD)チャレンジにおいて,著者らの方法は,0.8247から0.8348までの公式検証セットに関する二次加重カッパを改善し,オンライン試験セットに関して最先端のスコアを達成した。提案したSLR技術は実装が容易で,実用的に適用できる。Copyright 2021 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】