文献

J-GLOBAL ID：202102269932927968   整理番号：21A0667496

明示的Lipschitz正則化による混合ベース半教師つき学習の強化【JST・京大機械翻訳】

Enhancing Mixup-based Semi-Supervised Learning with Explicit Lipschitz Regularization

著者 (3件)： Gyawali Prashnna Kumar (Rochester Institute of Technology,NY,USA) ,  Ghimire Sandesh (Rochester Institute of Technology,NY,USA) ,  Wang Linwei (Rochester Institute of Technology,NY,USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICDM  ページ： 1046-1051  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 深層学習の成功は,大規模注釈付きデータセットのアベイラビリティに依存し,その取得はエキスパートドメイン知識を必要とする。半教師つき学習(SSL)は,大きなラベルなしデータに関する神経機能の挙動を利用することによって,この課題を緩和する。神経関数の平滑性はSSLで利用される一般的に使用される仮定である。成功した事例は,訓練例の間の補間時に,線形的に振舞うことにより,神経関数の大域的平滑性を強制するSSLにおける混合戦略の採用である。しかし,その経験的成功にもかかわらず,混合が神経機能をどのように正則化するかの理論的根拠は,完全には理解されていない。本論文では,ニューラルネットワークの勾配関数のLipschitz定数を結合することにより,混合が神経関数の平滑性を改善する理論的に実証された提案を提供した。次に,この線形関数の勾配を制約する一方で,神経関数を線形的に振舞うために,神経関数のLipschitz定数を同時に制約することにより,これを強化することができることを提案した。3つのベンチマークデータセットと1つの実世界の生物医学データセットに関して,著者らは,この組合せ正則化が,少量のラベル付きデータから学習するとき,SSLの一般化性能の改善をもたらすことを示した。このコードはhttps://github.com/Prasanna1991/Mixup-LRで利用可能である。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】

シソーラス用語： ニューラルネットワーク ,  内挿法 ,  アベイラビリティ ,  線形性 ,  *正則化 ,  ベンチマーク ,  アノテーション ,  平滑度 ,  ドメイン知識
準シソーラス用語： 生物医学 ,  *半教師つき学習 ,  神経機能 ,  線形関数 ,  深層学習 ,  ラベルなしデータ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 正則化 ,  半教師つき学習 ,  強化