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。
少ないショット学習は,大きなラベル付きデータセットが,かなりの時間と努力を組み立てるので,機械学習における重要な問題である。最も少数のショット学習アルゴリズムは,2つの制限の1つに悩まされる,すなわち,洗練されたモデルと損失関数の設計を必要とするので,解釈可能性を妨げる。あるいは統計的手法を採用するが,異なるデータセットや特徴にわたっては保持されないかもしれない。最も類似した大規模クラスからの小サンプルクラスの外挿分布における最近の研究の開発において,著者らは,すべての大規模クラスの重みづけランダム変数として分類のための少数ショット分布を推定するために学習する一般化サンプリング法を提案した。共分散収縮の形式を用いて,過パラメータ化特徴または小データセットによる特異共分散に対するロバスト性を提供した。訓練セットに類似の大きなクラスがない場合でも,サンプル点が数ショットクラスに近いことを示した。提案手法は,任意のオフライン特徴抽出器で動作し,ミニImagenet,CUB,およびStanford Dogsデータセットを5way-1ショットと5way-5ショットタスクで3%から5%,および挑戦的な交差ドメインタスクで1%まで凌駕する。【JST・京大機械翻訳】