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。
本研究では,ラベル付きおよびラベルなしサンプル間の経験的分布不整合を明示的に低減する新しい視点から,半教師つき学習(SSL)問題を再検討した。この新展望から利益を得て,著者らは最初に,ドメイン適応コミュニティからの既存の技術がラベル付きとラベルなしデータの間の経験的分布距離を減らすことを通して,半教師つき学習問題に取り組むために容易に使用できる,経験的分布アラインメント(SLEDA)による半教師つき学習と呼ばれる新しい深い半教師つき学習フレームワークを提案した。このフレームワークに基づいて,半教師つき学習問題をよりよく理解するための研究コミュニティに結合された新しい理論的一般化も開発し,ここでは,ラベル付きデータおよびラベル付きとラベルなしデータ間の経験的分布距離に関する訓練誤差を最小化することにより,半教師つき学習の一般化誤差を効果的に有界にできることを示した。著者らの新しいフレームワークと理論的限界に基づいて,著者らは,ドメイン適応コミュニティからよく確立された敵対訓練戦略とデータ増強のための単純なサンプル補間戦略を同時に採用することによって,Augmented Distrition Alignment Network(ADA-Net)と呼ばれる簡単で効果的な深い半教師つき学習法を開発する。さらに,著者らのADA-Netにおける両方の戦略を2つの出口SSL法に組み込み,それらの一般化能力をさらに改善し,この新しいフレームワークがSSL問題を解くための相補的解を提供することを示した。半教師つき画像認識タスクのための2つのベンチマークデータセットSVHNとCIFAR-10に関する著者らの包括的実験結果は,半教師つきポイントクラウド認識タスクのための他の2つのベンチマークデータセットモデルNet40と形状Net55は,SSLのために著者らの提案したフレームワークの有効性を実証した。【JST・京大機械翻訳】