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。
半教師つき少数ショット学習(SSFSL)における予言は,少数ショット学習者をブーストするために余分なラベルなしデータの価値を最大化することである。本論文では,2つの側面からSSFSLのためのラベルなし情報をマイニングするためのPoisson転送ネットワーク(PTN)を提案した。最初に,Poisson Merriman Bence Osher(MBO)モデルは,ラベル付きとラベルなし例の間の通信のためのブリッジを構築する。このモデルは,ラベルのメッセージパッシングプロセスにおける従来のグラフベースSSFSL法よりも,より安定で有益な分類器として役立つ。第二に,余分なラベルなしサンプルを用いて,コントラスト学習を通してベースクラスから新しいクラスへの知識を転送する。特に,著者らは,負のものを離れたところで,拡張された正の対を閉じる。著者らのコントラスト転送方式は,いくつかのラベル付きデータに関する過剰適合問題を軽減するために,新規クラス埋込みを暗黙的に学習する。したがって,著者らは,新規クラスにおける埋込み普遍性の劣化を緩和することができた。大規模な実験は,PTNが,ミニImageNetとTieredImageNetベンチマークデータセットに関して最先端の少数ショットとSSFSLモデルより優れていることを示した。【JST・京大機械翻訳】