| 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 | 2020-12-17 16:30 少量データにおける不変性を持つ潜在特徴量の抽出手法 ○Mohit Chhabra・Quan Kong・Tomoaki Yoshinaga（日立）  PRMU2020-49 |
|
| 抄録 | （和） | The remarkable effectiveness of neural networks on vision tasks has led to an interest in adapting neural network models to limited data cases. It is also desired that low dimensional representations of the data efficiently represent the data distribution. We propose to minimize ordinal energy of the code produced by encoder model of de-noising auto-encoder and add stochastic non-linear units. Proposed modifications lead to an increase in the classification performance in the semi-supervised setting on MNIST, improved lung segmentation results, failure prediction capability on chest scans of COVID19 patients and improved anomaly detection scores on MIMII dataset. |
| （英） | The remarkable effectiveness of neural networks on vision tasks has led to an interest in adapting neural network models to limited data cases. It is also desired that low dimensional representations of the data efficiently represent the data distribution. We propose to minimize ordinal energy of the code produced by encoder model of de-noising auto-encoder and add stochastic non-linear units. Proposed modifications lead to an increase in the classification performance in the semi-supervised setting on MNIST, improved lung segmentation results, failure prediction capability on chest scans of COVID19 patients and improved anomaly detection scores on MIMII dataset. |
|
| キーワード | （和） | Representation learning / Anomaly detection / Small Data / Stochastic nonlinearity / De-noising auto-encoder / Segmentation / Ordinal Energy / |
| （英） | Representation learning / Anomaly detection / Small Data / Stochastic nonlinearity / De-noising auto-encoder / Segmentation / Ordinal Energy / | |
| 文献情報 | 信学技報, vol. 120, no. 300, PRMU2020-49, pp. 63-68, 2020年12月. | |
| 資料番号 | PRMU2020-49 | |
| 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 | PRMU2020-49 |
|
| 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 | 英語（日本語タイトルあり） |
| タイトル（和） | 少量データにおける不変性を持つ潜在特徴量の抽出手法 |
| サブタイトル（和） | |
| タイトル（英） | Towards Discovery of Relevant Latent Factors with Limited Data |
| サブタイトル（英） | |
| キーワード(1)（和/英） | Representation learning / Representation learning |
| キーワード(2)（和/英） | Anomaly detection / Anomaly detection |
| キーワード(3)（和/英） | Small Data / Small Data |
| キーワード(4)（和/英） | Stochastic nonlinearity / Stochastic nonlinearity |
| キーワード(5)（和/英） | De-noising auto-encoder / De-noising auto-encoder |
| キーワード(6)（和/英） | Segmentation / Segmentation |
| キーワード(7)（和/英） | Ordinal Energy / Ordinal Energy |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | Mohit Chhabra / Mohit Chhabra / |
| 第1著者 所属（和/英） | (株)日立製作所 Lumadaデータサイエンスラボラトリ (略称： 日立) Lumada Data Science Lab. Hitachi, Ltd. (略称： Hitachi) |
| 第2著者 氏名（和/英/ヨミ） | Quan Kong / Quan Kong / |
| 第2著者 所属（和/英） | (株)日立製作所 Lumadaデータサイエンスラボラトリ (略称： 日立) Lumada Data Science Lab. Hitachi, Ltd. (略称： Hitachi) |
| 第3著者 氏名（和/英/ヨミ） | Tomoaki Yoshinaga / Tomoaki Yoshinaga / |
| 第3著者 所属（和/英） | (株)日立製作所 Lumadaデータサイエンスラボラトリ (略称： 日立) Lumada Data Science Lab. Hitachi, Ltd. (略称： Hitachi) |
| 講演者 | 第1著者 |
| 発表日時 | 2020-12-17 16:30:00 |
| 発表時間 | 15分 |
| 申込先研究会 | PRMU |
| 資料番号 | PRMU2020-49 |
| 巻番号（vol） | vol.120 |
| 号番号（no） | no.300 |
| ページ範囲 | pp.63-68 |
| ページ数 | 6 |
| 発行日 | 2020-12-10 (PRMU) |
[研究会発表申込システムのトップページに戻る]