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。
クリーンで敵対的に摂動された画像の両方に関する最先端の(SOTA)性能を達成する既存のモデルは,特徴ワイズ線形変調(FiLM)層によって調整された畳込み操作に依存する。これらの層は多くの新しいパラメータを必要とし,超パラメータ感受性である。それらは,訓練時間,記憶コスト,および潜在的待ち時間を著しく増加させ,資源制限またはリアルタイムアプリケーションに対してコストを高くできる。本論文では,既存のFiLMベースの条件付けの代わりに,高速学習可能な1回ごとの敵対訓練(FLOAT)アルゴリズムを提示し,追加の層を必要としないユニークな重み条件づけ学習を提示し,それにより,標準敵対訓練と比較して,パラメータ数,訓練時間,またはネットワーク待ち時間における有意な増加を起こさない。特に,クリーンと敵対的性能の間のトレードオフを可能にする重みテンソルに構成可能なスケールノイズを加えた。広範な実験は,FLOATが,それぞれ,約6%と~10%まで,クリーンで摂動した画像分類の両方を改善するSOTA性能をもたらすことを示した。さらに,実際のハードウェア測定は,FLOATが,FiLMベース代替案と比較して,等高パラメータ設定で1.47xまでのより少ないモデルパラメータで,訓練時間を1.43xまで低減できることを示した。さらに,メモリ効率をさらに改善するために,非反復モデル剪定の形式であるFLOATスパース(FLOAT)を導入し,詳細な経験的解析を提供し,これらの新しいクラスの剪定条件付訓練モデルの3つの精度-ロバスト性-複雑性トレードオフを提供した。【JST・京大機械翻訳】