| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2020-10-30 17:35 双曲空間を利用した未学習クラスデータの検出 ○田足井昇太（専修大）・芦原佑太（日大/Glia Computing）・青木賢治（Glia Computing）・大澤正彦（日大/専修大）  NC2020-27 |
|
| 抄録 | （和） | 多くのDeep Learningの手法は，訓練データセットと，テストデータセットが同じクラス空間からサンプリングされることを仮定された環境において成功している．しかし，訓練時には想定されていなかったクラスのデータが入力される可能性のある実世界では，訓練時には想定されていなかったクラスのデータを考慮することが重要である．本研究では，双曲空間の一つであるPoincaré ball modelを特徴空間に利用した，未知のクラスに分類されるべきデータを正しく未知のクラスとして分類する手法を提案する．提案手法では，Poincaré ball上に訓練時のデータの特徴量を埋め込む．特徴量を埋め込む学習の際には，RiemaniannSGDを採用したTriplet Lossを使用した．実験では，CIFAR-10を訓練データセットとして使用し，テストデータセットにCIFAR-10とSVHNを混在させたデータセットに設定し，既存手法との比較を行った．最終的な精度は82.15%を達成したが，既存手法を下回る結果であった．しかしながら，特徴量が埋め込まれたPoincaré ballについて可視化を行ったところ，未知のクラスのデータが特定の方向性を持っていることが分かった．そこで，双曲空間を利用した未知のクラスの検出に関する有効な方法について議論を行った. |
| （英） | Many of deep learning algorithms perform well when the training and testing data are sampled from the same class space. However, in an uncontrolled environment, such as a real-world scenario, models have to handle unwanted or unknown inputs. This problem is a crucial component of real-world applications. In this paper, we propose a new method that uses the Poincare ball model for embedding features to reject unknown inputs as an unknown class. The proposed method adopts Triplet Loss which employs RiemaniannSGD to embed the features into the hyperbolic space. In our experiments, we checked the performance of the proposed method through compared it with existing method, using CIFAR-10 as a training dataset and SVHN as an unknown dataset. Our method achieved 82.15% accuracy. Furthermore, we found that the unknown inputs have a specific direction, by visualizing the Poincare ball. Through this study, we summarize that our approach has the possibility of developing a hyperbolic space approach for handling unknown inputs. |
|
| キーワード | （和） | 深層学習 / 距離学習 / 未知検出 / 双曲空間 / / / / |
| （英） | deep learning / metric learning / unknown detection / hyperbolic space / / / / | |
| 文献情報 | 信学技報, vol. 120, no. 216, NC2020-27, pp. 100-105, 2020年10月. | |
| 資料番号 | NC2020-27 | |
| 発行日 | 2020-10-22 (NC) | |
| 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 | NC2020-27 |
|
| 研究会情報 | |
| 研究会 | MBE NC NLP CAS |
| 開催期間 | 2020-10-29 - 2020-10-30 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | ME，NC，CAS，NLP，一般 |
| テーマ（英） | ME，NC，CAS，NLP |
| 講演論文情報の詳細 | |
| 申込み研究会 | NC |
| 会議コード | 2020-10-MBE-NC-NLP-CAS |
| 本文の言語 | 日本語 |
| タイトル（和） | 双曲空間を利用した未学習クラスデータの検出 |
| サブタイトル（和） | |
| タイトル（英） | Hyperbolic Space Embedding for Open Set Recognition |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 深層学習 / deep learning |
| キーワード(2)（和/英） | 距離学習 / metric learning |
| キーワード(3)（和/英） | 未知検出 / unknown detection |
| キーワード(4)（和/英） | 双曲空間 / hyperbolic space |
| 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） | 田足井 昇太 / Shota Tatarai / タタライ ショウタ |
| 第1著者 所属（和/英） | 専修大学 (略称： 専修大) Senshu University (略称： Senshu Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 芦原 佑太 / Yuta Ashihara / アシハラ ユウタ |
| 第2著者 所属（和/英） | 日本大学/株式会社Glia Computing (略称： 日大/Glia Computing) Nihon University/Glia Computing Co.,Ltd. (略称： Nihon Univ/Glia Computing Co.,Ltd.) |
| 第3著者 氏名（和/英/ヨミ） | 青木 賢治 / Kenji Aoki / アオキ ケンジ |
| 第3著者 所属（和/英） | 株式会社Glia Computing (略称： Glia Computing) Glia Computing Co.,Ltd. (略称： Glia Computing Co.,Ltd.) |
| 第4著者 氏名（和/英/ヨミ） | 大澤 正彦 / Masahiko Osaawa / オオサワ マサヒコ |
| 第4著者 所属（和/英） | 日本大学/専修大学 (略称： 日大/専修大) Nihon University/Senshu University (略称： Nihon Univ./Senshu Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2020-10-30 17:35:00 |
| 発表時間 | 25分 |
| 申込先研究会 | NC |
| 資料番号 | NC2020-27 |
| 巻番号（vol） | vol.120 |
| 号番号（no） | no.216 |
| ページ範囲 | pp.100-105 |
| ページ数 | 6 |
| 発行日 | 2020-10-22 (NC) |
[研究会発表申込システムのトップページに戻る]