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。
コントラスト学習(CL)は,例えば,負のサンプルサイズ(NSS)がそのミニバッチサイズ(MBS)によって制限されるので,多くの負のサンプル,例えばMoCoにおける65536を必要とすることが広く知られており,そのために,辞書フリーフレームワークの性能は,しばしば劣っている。MBSからNSSを分離するため,動的辞書を大量のCLフレームワークで採用し,その中で最もポピュラーなものはMoCo族である。本質的に,MoCoは運動量ベース待ち行列辞書を採用し,そのサイズと一貫性の細粒解析を行う。著者らは,MoCoにおいて用いられるInfoNCE損失が,ペナルティのさまざまな強度を有するそれらの対応する陽性サンプルに対してアンカーを暗黙的に誘引し,大きな辞書の必要性のための主要な理由として,そのようなアンカー間硬度認識特性を同定することを指摘した。著者らの知見は,運動量と同様にその辞書の除去を介してMoCo v2を単純化することを動機づける。提案した二重温度によるInfoNCEに基づいて,著者らの単純化フレームワーク,SimMoCoおよびSimCoは,可視マージンによってMoCo v2より優れている。さらに,本研究はCLと非CLフレームワークの間のギャップを橋渡し,SSLにおけるこれら2つの主流フレームワークのより統一的な理解に寄与する。コードはhttps://bit.ly/3LkQbaTで利用可能である。【JST・京大機械翻訳】