CAFE:特徴のアラインメントによるデータ集合のコンデンスの学習【JST・京大機械翻訳】

Wang Kai; Zhao Bo; Peng Xiangyu; Zhu Zheng; Yang Shuo; Wang Shuo; Huang Guan; Bilen Hakan; Wang Xinchao; You Yang

プレプリント

J-GLOBAL ID：202202201593873935 整理番号：22P0298181

CAFE:特徴のアラインメントによるデータ集合のコンデンスの学習【JST・京大機械翻訳】

CAFE: Learning to Condense Dataset by Aligning Features

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (10件)： , , , , , , , , ,
資料名：
発行年： 2022年03月03日プレプリントサーバーでの情報更新日： 2022年03月27日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

データセット凝縮は,コンパクトな合成手法に c雑な訓練集合を凝縮することを通して,ネットワーク訓練努力を減らすことを目的とする。最先端の手法は,実際のデータバッチと合成データバッチ間の勾配をマッチングすることにより,合成データの学習に大きく依存する。直感的な動機と有望な結果にもかかわらず,そのような勾配ベースの方法は,自然によって,支配的な勾配を生成するサンプルの偏ったセットに簡単に適合し,従って,データ分布の大域的監視を欠いている。本論文では,実際の特徴分布ならびに得られた合成集合の判別力を保存することを明示的に試み,様々なアーキテクチャに対する強い一般化能力にそれ自身を追い出すことを明示的に試みる,Aigng FEtures(CAFE)による高密度データセットへの新しい方式を提案した。本アプローチの心臓では,実際の試料の分類を考慮しながら,様々なスケールにわたる実および合成データから特徴を調整するための効果的な戦略である。このスキームは,新しい動的バイレベル最適化によってさらにバックアップされ,それは,パラメータ更新を適応的に調整し,過剰/過小フィッティングを防ぐ。種々のデータセットにわたって提案したCAFEを検証し,SVHNデータセットにおいて,例えば,性能利得が11%に達することを,一般的に最先端に凌駕することを実証した。広範な実験と解析は,提案した設計の有効性と必要性を検証した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , 【Automatic Indexing@JST】

パターン認識 , 人工知能

, , , ,

前のページに戻る