SimMatch:類似性マッチングによる半教師つき学習【JST・京大機械翻訳】

Zheng Mingkai; You Shan; Huang Lang; Wang Fei; Qian Chen; Xu Chang

プレプリント

J-GLOBAL ID：202202218294422692 整理番号：22P0303565

SimMatch:類似性マッチングによる半教師つき学習【JST・京大機械翻訳】

SimMatch: Semi-supervised Learning with Similarity Matching

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 (6件)： , , , , ,
資料名：
発行年： 2022年03月14日プレプリントサーバーでの情報更新日： 2022年03月17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)

少数のラベル付きデータによる学習はコンピュータビジョンと機械学習研究コミュニティにおける長年の問題である。本論文では,意味類似性とインスタンス類似性を同時に考慮する,新しい半教師つき学習フレームワーク,SimMatchを導入した。SimMatchでは,一貫性正則化は意味レベルとインスタンスレベルの両方に適用される。同じインスタンスの異なった拡張見解は,同じクラス予測と,他のインスタンスと類似の類似性関係を持つように奨励される。次に,ラベル付きメモリバッファをインスタンスレベルで完全に利用し,意味とインスタンスの類似性の間のギャップを橋渡しする。最後に,これら2つの類似性を互いに同形に変換できる非折畳みと凝集操作を提案した。この方法で,セマンティックとインスタンス擬似ラベルは,より高品質で信頼できるマッチングターゲットを生成するために相互に伝播できる。広範な実験結果は,SimMatchが,異なるベンチマークデータセットと異なる設定で,半教師つき学習タスクの性能を改善することを実証した。特に,訓練の400の時代により,SimMatchは,画像Net上で1%と10%のラベル付き事例で,67.2%と74.4%Top-1精度を達成し,それは,ベースライン法より著しく優れていて,以前の半教師つき学習フレームワークより良好である。コードと事前訓練モデルはhttps://github.com/KyleZheng1997/simmatchで利用可能である。【JST・京大機械翻訳】

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

人工知能

, ,

前のページに戻る