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。
長尾認識は,実世界シナリオにおける自然非一様分散データに取り組む。現代分類器は人口クラス上でよく機能しているが,その性能はテールクラス上で著しく劣化する。しかし,人間は,不確かな例に直面したとき,より粗い予測を提供するのに,単に,それらによってあまり影響されない。これに動機付けられて,深い現実的な分類学的分類器(Deep-RTC)を,階層的予測と現実主義を組み合わせて,長尾問題に対する新しい解決策として提案した。モデルは,望ましい性能を保証することができないならば,分類の異なるレベルで分類サンプルを拒絶するオプションを持っている。深いRTCは,訓練中の確率的ツリーサンプリングによって実装され,より細かいあるいはより粗いレベルですべての可能な分類条件および推論時間での拒絶メカニズムをシミュレートする。4つのデータセット,CIFAR100,AWA2,Imagenet,およびiNturalistの長尾バージョンに関する実験は,提案した方式が,異なる人気レベルを有するすべてのクラスに関してより多くの情報を保存することを示した。また,深いRTCは,提案した正しく予測されたビット(CPB)メトリックを用いて,長尾認識,階層的分類,および拒絶文献による学習における最先端の方法より優れている。【JST・京大機械翻訳】