La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Latent Space Virtual Adversarial Training for Supervised and Semi-Supervised Learning Formation contradictoire virtuelle dans l'espace latent pour l'apprentissage supervisé et semi-supervisé

Genki OSADA, Budrul AHSAN, Revoti PRASAD BORA, Takashi NISHIDE

  • Vues en texte intégral

    0

  • Citer

Résumé:

La formation contradictoire virtuelle (VAT) a montré des résultats impressionnants parmi les méthodes de régularisation récemment développées appelées régularisation de cohérence. TVA utilise des échantillons contradictoires, générés par l'injection de perturbations dans l'espace d'entrée, pour la formation et améliore ainsi la capacité de généralisation d'un classificateur. Cependant, de tels échantillons contradictoires ne peuvent être générés que dans une très petite zone autour du point de données d’entrée, ce qui limite l’efficacité contradictoire de ces échantillons. Pour résoudre ce problème, nous proposons LVAT (Latent space TVA), qui injecte une perturbation dans l'espace latent au lieu de l'espace d'entrée. LVAT peut générer des échantillons contradictoires de manière flexible, ce qui entraîne davantage d'effets indésirables et donc une régularisation plus efficace. L'espace latent est construit par un modèle génératif, et dans cet article, nous examinons deux types de modèles différents : l'auto-encodeur variationnel et le flux normalisant, en particulier Glow. Nous avons évalué les performances de notre méthode dans des scénarios d'apprentissage supervisé et semi-supervisé pour une tâche de classification d'images utilisant les ensembles de données SVHN et CIFAR-10. Lors de notre évaluation, nous avons constaté que notre méthode surpasse la TVA et les autres méthodes de pointe.

Publication
IEICE TRANSACTIONS on Information Vol.E105-D No.3 pp.667-678
Date de publication
2022/03/01
Publicisé
2021/12/09
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2021EDP7161
Type de manuscrit
PAPER
Catégories
Intelligence artificielle, exploration de données

Auteurs

Genki OSADA
  Philips Co-Creation Center,University of Tsukuba,I Dragon Corporation
Budrul AHSAN
  Philips Co-Creation Center,The Tokyo Foundation for Policy Research
Revoti PRASAD BORA
  Lowe's Services India Pvt. Ltd.
Takashi NISHIDE
  University of Tsukuba

Mots-clés

Table des matières