タスク相関非エンタングルメントと制御可能なサンプル合成による非生成一般化ゼロショット学習【JST・京大機械翻訳】

Feng Yaogong; Huang Xiaowen; Yang Pengbo; Yu Jian; Sang Jitao

プレプリント

J-GLOBAL ID：202202203860106089 整理番号：22P0301985

タスク相関非エンタングルメントと制御可能なサンプル合成による非生成一般化ゼロショット学習【JST・京大機械翻訳】

Non-generative Generalized Zero-shot Learning via Task-correlated Disentanglement and Controllable Samples Synthesis

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 (5件)： , , , ,
資料名：
発行年： 2022年03月10日プレプリントサーバーでの情報更新日： 2022年08月22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)

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】

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

人工知能 , パターン認識

, , , , , ,

前のページに戻る