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。
機械学習における広く研究されている問題である新規検出は,以前に観測されていない新しいクラスのデータを検出する問題である。新規性検出のための共通設定は,訓練時間中に陰性クラスの例のみが利用できる誘導である。一方では,トランスダクティブ新規性検出は,最近のサージを目撃し,訓練中に負のクラスを利用するだけでなく,(非ラベル)試験セットを組み込み,新しい例を検出する。いくつかの研究が,その誘導対応物に対してその利点を実証している,トランスダクティブな設定umbrellaの下で出現した。データに関する仮定に依存して,これらの方法は,異なる名称(例えば,トランスダクティブ新規性検出,半教師つき新規性検出,陽性非標識学習,アウトオブ分布検出)によって進む。生成敵対ネットワーク(GAN)を用いて,それらの研究のセグメントは,新しいクラスの例を生成する方法を学ぶために,トランスダクティブセットアップを採用した。本研究では,潜在空間における2つのGaussの混合を用いて,新しいクラスとネガティブクラスの両方から画像例を生成する方法を学習する試みであるトランスダクティブ生成敵対ネットワークであるトランスダクトGANを提案した。GANネットワークと敵対的オートエンコーダを組み込むことにより,新しいデータポイントの例を生成する能力は,新規性の視覚表現だけでなく,決定ルールレベルでモデルハイパーパラメータを調整する方法の多くの帰納的方法によって直面するハードルを克服する。著者らのモデルは,最先端の誘導およびトランスダクティブ法よりも優れた性能を示した。本研究は,公的に利用可能なコードで十分に再現可能である。【JST・京大機械翻訳】