少数ショット学習のためのGDC一般化分布キャリブレーション【JST・京大機械翻訳】

Kumar Shakti; Zaidi Hussain

プレプリント

J-GLOBAL ID：202202209413847517 整理番号：22P0329652

少数ショット学習のためのGDC一般化分布キャリブレーション【JST・京大機械翻訳】

GDC- Generalized Distribution Calibration for Few-Shot 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04月11日プレプリントサーバーでの情報更新日： 2022年04月11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)

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】

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

人工知能 , パターン認識

, , , ,

前のページに戻る