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。
深層学習方法論を,いくつかの異なる分野で採用し,材料品質管理,医用イメージング,自律運転などの画像認識応用における優れた成功があり,深層学習モデルは,前向きモデルを訓練するためのラベル付き観測の豊富さに依存する。これらのモデルは,より多くの訓練観察の必要性を算定するために,数百万のパラメータから成る。頻繁に,データのラベル付き観察を収集することは高価であり,モデルがデータに適合しているので,深い学習モデルの使用を理想的ではない。半教師つき設定において,ラベルなしデータを使用して,小さなラベル付きデータセットを有するモデルの精度と一般化レベルを改善した。それにもかかわらず,多くの状況において,異なる非標識データ源が利用可能である。これは,ラベル付きとラベルなしデータセットの間の有意な分布不整合のリスクを提起する。このような現象は,典型的な半教師つき深層学習フレームワークに対してかなりの性能ヒットを引き起こし,それは,ラベル付きおよびラベルなしデータセットの両者が類似の分布から引き出されることをしばしば仮定する。したがって,本論文では,画像認識のための半教師つき深層学習のための最新のアプローチを研究した。ラベル付きデータセットとラベルなしデータセット間の分布不整合を扱うために設計された半教師つき深層学習モデルで強調した。著者らは,コミュニティをそれらに取り組むために奨励する目的で,オープンな課題に対処して,実世界利用設定の下で従来の深層学習パイプラインの高いデータ要求を克服した。【JST・京大機械翻訳】