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。
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】