文献

J-GLOBAL ID：202202219408964677   整理番号：22A1085998

増分および減衰特徴のための計量学習の進化【JST・京大機械翻訳】

Evolving Metric Learning for Incremental and Decremental Features

著者 (6件)： Dong Jiahua (State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang, China) ,  Cong Yang (State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang, China) ,  Sun Gan (State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang, China) ,  Zhang Tao (State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang, China) ,  Tang Xu (State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang, China) ,  Xu Xiaowei (Department of Information Science, University of Arkansas at Little Rock, Little Rock, AR, USA)
資料名： IEEE Transactions on Circuits and Systems for Video Technology  (IEEE Transactions on Circuits and Systems for Video Technology)
巻： 32  号： 4  ページ： 2290-2302  発行年： 2022年 
JST資料番号： W0321A  ISSN： 1051-8215  CODEN： ITCTEM  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： オンライン計量学習は,低い計算コストのために大規模データ分類のために広く利用されてきた。しかし,特徴が進化しているオンライン実用的シナリオ(例えば,いくつかの特徴が消えて,いくつかの新しい特徴が拡張される)の中で,ほとんどのメトリック学習モデルは,これらのシナリオにうまく適用できないが,しかし,それらは,効率的に進化事例に取り組むことができる。課題に取り組むために,著者らは,平滑化したWasersteinメトリック距離を取り入れることによって,インスタンスと特徴進化を同時に扱うことができる,増分と減少特徴のために,新しいオンラインEvolving Metric Learning(EML)モデルを開発した。特に,著者らのモデルは2つの必須段階を含む:変換段階(Tステージ)とInheritingステージ(Iステージ)。Tステージでは,非情報知識を無視しながら,消失特徴から重要な情報を抽出することを提案し,それらを低ランク識別メトリック空間に変換することによって,それを生き残った特徴に前進させた。さらに,特に高次元大規模データに対して,計算およびメモリ負荷を低減するために,不均一試料の固有低ランク構造を検討した。Iステージでは,Tステージから生存した特徴のメトリック性能を継承し,次に新しい拡張特徴を含むように拡張した。さらに,平滑化したWaserstein距離を利用して,進化する特徴が異なる段階で厳密に配列されないので,不均一と複雑なサンプル間の類似性関係を特性化した。ワンショットケースにおける課題に取り組むことに加えて,このモデルをマルチショットシナリオに拡張した。TステージとIステージの両方に対する効率的な最適化戦略を導いた後,いくつかのデータセットに関する広範な実験は,EMLモデルの優れた性能を検証した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  最適化 ,  *学習 ,  特性 ,  認識 ,  平滑化 ,  *計量 ,  粒状材 ,  高次元 ,  キャラクタリゼーション ,  機械学習
準シソーラス用語： 計算コスト ,  オンライン ,  ホップ数 ,  メトリック学習 ,  大規模データ , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 増分 ,  減衰 ,  計量 ,  学習 ,  進化