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。
ミキシングは,混合データによる決定境界を平滑化することにより,ニューラルネットワークの一般化を改善する効率的なデータ増強アプローチである。最近,動的混合法は,混合試料におけるターゲット関連顕著領域を最大化することにより,以前の静的ポリシー(例えば線形補間)を効果的に改善したが,過度の追加時間コストは許容できない。これらの付加的計算オーバヘッドは主に混合ラベルに従って混合サンプルを最適化することから来る。しかし,ラベル不整合混合試料が識別特徴を局在化する深層モデルのための有益なハード混合サンプルであるため,余分な最適化ステップは冗長である可能性があることを見出した。本論文では,より複雑な動的混合政策を提案する試みはないが,むしろ,デカップルMixup(DM)と命名された分離正則化器との効率的な混合目的関数を提案した。一次効果は,DMが,混合の元の滑らかさを失うことなく,識別特徴を採掘するために,これらのハード混合試料を適応的に利用できることである。その結果,DMは,余分な計算なしで,動的方法の性能と同等または超える静的混合法を可能にする。また,これは,決定境界の平滑化と識別特徴の同定の両方に焦点を当てる必要がある混合訓練のための興味深い目的設計問題をもたらす。7つのデータセットにわたる教師つきおよび半教師つき学習ベンチマークに関する広範な実験は,プラグアンドプレイモジュールとしてのDMの有効性を検証した。ソースコードとモデルは,https://github.com/Westlake AI/openmixupで利用可能である。【JST・京大機械翻訳】