講演抄録/キーワード |
講演名 |
2020-12-18 14:25
属性情報の不確実性を考慮したゼロショット生成モデル ○阪井優太(早大)・三川健太(湘南工科大)・後藤正幸(早大) PRMU2020-59 |
抄録 |
(和) |
機械学習における分類問題は依然として重要な研究課題である.一般に分類は,データの特徴量とカテゴリを表すラベルをペアとした学習データ集合を用いることで,未知のテストデータのラベルを推定する.
しかし一般的な分類問題では,学習データ集合に含まれないカテゴリを推定することはできない.本研究では,データ間で共通する情報(補助情報)を活用して,学習データにないカテゴリの推定を可能とする手法であるゼロショット学習(Zero-shot Learning)を対象とし,その中でも特に,補助情報として属性情報を活用する属性ベースゼロショット学習に着目する.
属性ベースゼロショット学習を行う従来手法の1つであるDirect Attribute Prediction (DAP) モデルは,特徴量とカテゴリとの関係性を属性の活用により表現した識別モデルである.しかしながらDAPモデルでは,カテゴリの推定に重要な属性以外の推定結果がカテゴリの推定精度を低下させてしまう場合がある.また識別モデルであるため,学習データ数が少ない場合に過学習することがある.
そこで本研究では,属性情報の推定結果の不確実性を考慮した属性ベースゼロショット生成モデルを提案する.また,従来手法と比較することで提案手法の有効性を示す. |
(英) |
Classification problems in machine learning remain an important research topic. In general, classification estimates unknown labels of test data by using a training data set that consists of pairs of data features and labels representing categories. However, in general classification problems, it is not possible to estimate unkown categories that are not included in the training data set. In this research, we focus on zero-shot learning, which is a method that makes it possible to estimate categories that are not in the learning data by utilizing information (auxiliary information) that is common to the data. Among them, we pay particular attention to attribute-based zero-shot learning that utilizes attribute information as auxiliary information.
The Direct Attribute Prediction (DAP) model, which is one of the conventional methods for performing attribute-based zero-shot learning, is a discriminative model that expresses the relationship between features and categories by utilizing attributes. However, in the DAP model, estimation results other than the important attributes for category estimation may reduce the estimation accuracy of the category. Moreover, since it is a discriminative model, it may be overfitted when the number of training data is small.
Therefore, in this study, we propose an attribute-based zero-shot generation model that takes into account the uncertainty of the estimation result of the attribute information. Finally, we verify the effectiveness of the proposed method comparing the conventional method. |
キーワード |
(和) |
ゼロショット学習 / 属性情報 / 生成モデル / 分類 / / / / |
(英) |
Zero-shot Learning / Attribute information / generative model / classification / / / / |
文献情報 |
信学技報, vol. 120, no. 300, PRMU2020-59, pp. 122-127, 2020年12月. |
資料番号 |
PRMU2020-59 |
発行日 |
2020-12-10 (PRMU) |
ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
PRMU2020-59 |
研究会情報 |
研究会 |
PRMU |
開催期間 |
2020-12-17 - 2020-12-18 |
開催地(和) |
オンライン開催 |
開催地(英) |
Online |
テーマ(和) |
転移学習・少数データからの学習 |
テーマ(英) |
Transfer learning and few shot learning |
講演論文情報の詳細 |
申込み研究会 |
PRMU |
会議コード |
2020-12-PRMU |
本文の言語 |
日本語 |
タイトル(和) |
属性情報の不確実性を考慮したゼロショット生成モデル |
サブタイトル(和) |
|
タイトル(英) |
Zero-shot generative model considering attribute uncertainty |
サブタイトル(英) |
|
キーワード(1)(和/英) |
ゼロショット学習 / Zero-shot Learning |
キーワード(2)(和/英) |
属性情報 / Attribute information |
キーワード(3)(和/英) |
生成モデル / generative model |
キーワード(4)(和/英) |
分類 / classification |
キーワード(5)(和/英) |
/ |
キーワード(6)(和/英) |
/ |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
阪井 優太 / Yuta Sakai / サカイ ユウタ |
第1著者 所属(和/英) |
早稲田大学 (略称: 早大)
Waseda University (略称: Waseda Univ.) |
第2著者 氏名(和/英/ヨミ) |
三川 健太 / Kenta Mikawa / ミカワ ケンタ |
第2著者 所属(和/英) |
湘南工科大学 (略称: 湘南工科大)
Shonan Institute of Technology (略称: SIT) |
第3著者 氏名(和/英/ヨミ) |
後藤 正幸 / Masayuki Goto / ゴトウ マサユキ |
第3著者 所属(和/英) |
早稲田大学 (略称: 早大)
Waseda University (略称: Waseda Univ.) |
第4著者 氏名(和/英/ヨミ) |
/ / |
第4著者 所属(和/英) |
(略称: )
(略称: ) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2020-12-18 14:25:00 |
発表時間 |
15分 |
申込先研究会 |
PRMU |
資料番号 |
PRMU2020-59 |
巻番号(vol) |
vol.120 |
号番号(no) |
no.300 |
ページ範囲 |
pp.122-127 |
ページ数 |
6 |
発行日 |
2020-12-10 (PRMU) |
|