ラベル効率の良いMeta学習のための多次元信念定量化【JST・京大機械翻訳】

Pandey Deep; Yu Qi

プレプリント

J-GLOBAL ID：202202208370444778 整理番号：22P0309418

ラベル効率の良いMeta学習のための多次元信念定量化【JST・京大機械翻訳】

Multidimensional Belief Quantification for Label-Efficient Meta-Learning

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 (2件)： ,
資料名：
発行年： 2022年03月23日プレプリントサーバーでの情報更新日： 2022年03月23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)

最適化ベースのメタ学習は,多くの実世界コンピュータビジョンアプリケーションにとって必須である少数ショット学習の有望な方向を提供する。しかし,少数のサンプルからの学習は不確実性を導入し,少数ショット予測に対するモデル信頼性の定量化は,多くの臨界領域にとって必須である。さらに,メタ訓練で使用される少数ショットタスクは通常,反復モデル更新のためのタスク分布からランダムにサンプリングされ,メタ訓練における高いラベリングコストと計算オーバヘッドをもたらす。ラベル効率の良いメタ学習のための新しい不確実性意識タスク選択モデルを提案した。提案モデルは多次元信念測度を定式化し,既知の不確実性を定量化し,与えられたタスクの未知の不確実性を低くした。著者らの理論的結果は,矛盾する信念と不正確な信念の間の重要な関係を確立した。理論的結果により,タスク選択のための原理基準を提供するタスクの全不確実性を推定することができた。メタ学習の計算とラベリング効率の両方を改善するために,新しいマルチクエリタスク定式化をさらに開発した。多重実世界少数ショット画像分類タスクで行った実験は提案モデルの有効性を実証した。【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