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。
本論文は,テスト時間における少数ショット1クラス分類(OCC)のためのメタ学習フレームワークを提示して,ラベル付き用例が陽性クラスのために単に利用可能であり,陰性用例のために監督は与えなかった。筆者らは,各タスクに対して利用可能な正の事例の小さい集合と,完全な監督(すなわち高度に不均衡な分類)を持つ訓練タスクのセットのみを有する,一連の「1クラス分類の客観的タスクを持つと考える。「メタ」バイナリ分類器を学習するために,次数-等変ネットワークを用いたアプローチを提案した。モデルは,与えられたタスクから分類する用例として,また,このOCCタスクのための陽性例の対応する教師つきセットを入力する。したがって,モデルの出力は,与えられたタスクの利用可能なポジティブ例に関して「条件付け」であり,ラベル付き陰性例なしで新しいタスクと新しい例を予測することができる。本論文では,天文学応用により動機づけた。著者らの目標は,恒星が特定の恒星群(与えられたタスクのための「1クラス」)に属するかどうかを確認することであり,そこでは,各恒星ストリームが異なるOCCタスクである。提案手法は,非意味(テスト)合成ストリーム上でよく転送され,また,それが再訓練されないにもかかわらず,ベースラインよりも性能が優れており,(ポジティブ監視のみ)予測するためにタスク当たりのデータのはるかに小さい部分にアクセスすることを示した。しかし,実際の河川GD-1は移動しないことが分かった。これは,合成および実際の流れからの本質的な差から来ることができ,この方法のタスクの「自然」における一貫性の必要性を強調した。しかし,光微調整は性能を改善し,著者らのベースラインより優れている。著者らの実験は,OCCタスクのためのメタ学習法をさらに探求する有望な結果を示した。【JST・京大機械翻訳】