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。
擬似サンプルの合成は,現在,一般化ゼロショット学習(GZSL)問題を解くための最も効果的方法である。ほとんどのモデルは競合性能を達成するが,まだ2つの問題に悩まされている。(1)特徴交絡,全体的表現は,タスク相関とタスク非依存特徴,および既存のモデルは,それらを生成的方法で解き,しかし,それらは,限られたサンプルで信頼できる擬似サンプルを合成するのに不合理である。(2)既存のモデルが不確かな分布からサンプルを合成するとき,大量のデータが必要とする分布不確実性は,見えるクラスの限られたサンプルにおいて貧弱な性能を引き起こす。本論文では,2つのモジュールで対応してこれらの問題に対処する非生成モデルを提案した。(1)タスク相関特徴分散は,合理的合成に向けたドメイン適応の敵対学習によって,タスクに依存しないものからタスク相関特徴を除外する。(2)制御可能な擬似サンプル合成は,より多様性を発生し,直感的な転送に対して,特定の特性を有するエッジ-擬似および中心-擬似サンプルを合成する。加算において,訓練プロセスにおける限界であるクラスサンプルである新しい場面を記述するために,著者らはさらに,「Few-shot SeenクラスとゼロショットUnseenクラス学習」(FSZU)という名の新しいZSLタスクを定式化した。4つのベンチマークに関する広範な実験は,提案した方法がGZSLとFSZUタスクにおいて競合することを証明した。【JST・京大機械翻訳】