微分可能増強層を持つ深い不変ネットワーク【JST・京大機械翻訳】

Rommel Cedric; Moreau Thomas; Gramfort Alexandre

プレプリント

J-GLOBAL ID：202202212942104598 整理番号：22P0284754

微分可能増強層を持つ深い不変ネットワーク【JST・京大機械翻訳】

Deep invariant networks with differentiable augmentation layers

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 (3件)： , ,
資料名：
発行年： 2022年02月04日プレプリントサーバーでの情報更新日： 2022年10月25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)

あるデータ変換に不変である学習システムの設計は機械学習において重要である。実践者は,ネットワークアーキテクチャの選択,例えば,翻訳のための畳み込み,あるいはデータ増強を用いて,訓練されたモデルに関する望ましい不変性を典型的に強化できる。しかし,ネットワークにおける真の不変性の強制は困難であり,データ不変性は常にピアリで知られていない。学習データ増強ポリシーのための最先端の方法は,停留データを必要とし,2レベル最適化問題に基づいており,それは複雑であり,しばしば計算的に要求されている。本研究では,訓練データからのみ学習不変性の新しい方法を検討した。ネットワークに直接構築された学習可能増強層を用いて,著者らの方法が非常に多用途であることを示した。それは,あらゆるタイプの微分可能な増強を組み入れることができ,コンピュータビジョンを超えた広範囲の学習問題に適用することができる。著者らは,著者らのアプローチが,バイレベル最適化に基づく最新の自動データ増強技術よりも訓練が容易かつ高速であり,一方,同等の結果を達成することを示した。実験は,自動データ増強を通してモデルに転送された不変性は,モデル表現性によって制限されるが,著者らのアプローチによってもたらされる不変性は,設計によってそれに敏感でないことを示した。【JST・京大機械翻訳】

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

パターン認識 , ニューロコンピュータ

, ,

前のページに戻る