文献

J-GLOBAL ID：202202217648668134   整理番号：22A0104583

変換特徴伝搬と最適クラス割当によるグラフベース少数ショット学習【JST・京大機械翻訳】

Graph-based few-shot learning with transformed feature propagation and optimal class allocation

著者 (6件)： Zhang Ruiheng (School of Mechatronical Engineering, Beijing Institute of Technology, China) ,  Yang Shuo (Faculty of Engineering and IT, University of Technology Sydney, Australia) ,  Zhang Qi (School of Civil and Environmental Engineering, University of New South Wales, Australia) ,  Xu Lixin (School of Mechatronical Engineering, Beijing Institute of Technology, China) ,  He Yang (High Performance Computing, Agency for Science, Technology and Research, Singapore) ,  Zhang Fan (College of Information Science and Technology, Beijing University of Chemical Technology, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 470  ページ： 247-256  発行年： 2022年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： グラフニューラルネットワークは,少数ショットタスクにおけるサポート(ラベル付け)とクエリ(ラベルなし)インスタンス間の関係を捉える印象的な能力を示している。事前訓練バックボーンネットワークを用いて特徴を抽出し,その後,エピソードメタ訓練グラフネットワークを用いて数ショットシナリオで調整した。しかしながら,これらの調整された特徴は,バックボーンとグラフネットワーク(マルチクラスプレトレインv.s.エピソードメタトレイン)の間の異なる最適化に起因する特徴分布ミスマッチのために,少数ショットデータ特性を十分に表現できない。さらに,限られたサポートインスタンスからの学習は,真のデータ分布を表現するのに失敗し,不正確なクラス割当てを引き起こす。本論文では,事前訓練された自己教師付き特徴抽出器によって抽出された特徴をGauss型分布に変換し,グラフネットワークの後のメタ訓練を著しく利益する特徴分布ミスマッチを低減した。不正確なクラス割当てに取り組むために,最適クラス割当て行列を計算することによりクラス中心を推定するためのサポートとクエリインスタンスの活用を提案した。少数ショットベンチマークに関する広範な実験は,グラフベースの少数ショット学習パイプラインが,ベースラインを12%まで上回り,完全監督と半教師つき設定の両方の下で,大きなマージンによって最先端の結果を凌駕することを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *学習 ,  正規分布 ,  ニューラルネットワーク ,  特徴抽出 ,  基幹回線 ,  粒状材 ,  基準線
準シソーラス用語： クエリー ,  グラフネットワーク , 【Automatic Indexing@JST】

著者キーワード (3件)： グラフニューラルネットワーク ,  少数ショット学習 ,  Meta学習

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 伝搬 ,  クラス ,  割当 ,  グラフ ,  少数ショット学習