Home >

news ヘルプ

論文・著書情報


タイトル
和文:［ショートペーパー］変分自己符号化器との統合によるFew-Shot継続学習 
英文:[Short Paper] Few-Shot Incremental Learning by Unifying with Variational Autoencoder 
著者
和文: 髙山 啓太, 宇都 有昭, 篠田 浩一.  
英文: Keita Takayama, Kuniaki Uto, Koichi Shinoda.  
言語 Japanese 
掲載誌/書名
和文:信学技報 
英文:IEICE Tech. Rep. 
巻, 号, ページ vol. 120    no. 300    pp. 58-62
出版年月 2020年12月 
出版者
和文:電子情報通信学会 
英文: 
会議名称
和文:パターン認識・メディア理解研究会 (PRMU) 
英文: 
開催地
和文: 
英文: 
公式リンク https://www.ieice.org/ken/paper/20201217HCbb/
 
アブストラクト 深層学習において識別クラス数を増やすときに，増やす前のモデルを初期モデルとして，新しいクラスのデータのみを用いてオンライン学習する継続学習手法がいくつか提案されている．その中でもGenerative Replayは変分自己符号化器によって生成されたサンプルを学習に用いることで高い性能を得ている．しかし，新しいクラスのデータが少量の場合，かえって性能が劣化するという問題があった．それに対し，本研究では，変分自己符号化器における潜在変数の値を識別のための特徴量として，変分自己符号化器と識別モデルとを同時に学習する方法，Few-Shot Generative Replayを提案する．そこでは，潜在変数分布の分散値をクラス間で共有することで，データが少量の場合でも頑健な学習を可能にしている．SplitMNISTの2つめのタスク以降，各クラスのサンプル数を10件に制限した評価実験で，Generative Replayの正解率56.9%を7.9ポイント上回る64.8%を得た．

©2007 Tokyo Institute of Technology All rights reserved.