129 Views
February 15, 17
スライド概要
2017/2/15
Deep Learning JP:
http://deeplearning.jp/seminar-2/
DL輪読会資料
+ Regularization With Stochastic Transformations and Perturbations for Deep Semi-Supervised Learning 工学系研究科 システム創成学専攻 加藤・中村研 M1? 岡本 弘野 17/02/09
+ 1 Introduction n ラベルなしデータの適用 n convnetは大量のパラメタがあり、大量の学習データがないと過学 習する n しかし、大量のデータセットをつくるのはコストがかかる 一方で、ラベルなしデータは集めやすく、convnetの性能をあげる ために利用したい n n ランダム化 n n 確率的勾配降下法、ドロップアウト、データのランダムな変形 同じデータから、ランダム化によって、違う出力を生み出すことを 利用する 17/02/09
+ 2 Related Work n 古典的なアプローチ n データとラベルの結合分布のモデル化 n GMM HMM ラベルありデータとなしデータのマージン最大化 n n n n TSVM n S3VM これらの半教師学習はサンプル間の類似度を利用 n あるラベルなしデータがAのラベルデータに似ていれば、そのデー タはAとみなす 17/02/09
+ 3 Related Work n 半教師deep learning n n n ConvNetの性能をあげるためにラベルなしデータをつかう convnetのフィルターをpretrainするなど ほかの論文でのアプローチ n predictive sparse decomposition n resion embedding n ladder networks 17/02/09
+ 4 Method n 教師なしloss関数を定義 n n Transformation/stability loss function 変化/安定損失関数 n 同じデータによる違う出力のペアの差の二乗和を最小化する n 勾配降下法で最適化 17/02/09
+ 5 Method n idea n どんなランダムなデータ変形(線形、非線形変換)にたいしても、モ デルの予測は同じであるべき 17/02/09
+ 6 Method n idea n どんなネットワークでも(dropoutやランダムなpooling)、モデルの 予測は同じであるべき 17/02/09
+ 7 Method n もう一つ、教師なし学習のloss関数を定義 n n Mutual Exclusivity loss function 相互排他的損失関数 n 決定境界をどんなサンプルからもできるだけ遠い所に置こうとす る。結果的に、密度の低いところに決定境界が置かれる 17/02/09
+ 8 Method n 最終的に、教師なし損失関数と教師あり損失関数の和を最小化 すればよい 17/02/09
+ 9 Experiments and Results n MNIST n 100サンプルでstate of the art n SVHN and NORB n CIFAR10 n n CIFAR100 n n state of the art state of the art ImageNet 17/02/09
+ 10 Experiments and Results n MNIST n n 100サンプルではstate of the art 全ラベルでは、誤差0.24が最高精度[40] 17/02/09
+ 11 Experiments and Results n SVHN and NORB 17/02/09
+ 12 実際に実装してみた(ができなかっ た) n MNISTでやってみた n n n n tensorflowをつかった n n データオーグメンテーションによるlossTS関数の最小化 lossME関数の最小化 クロスエントロピーによるラベルあり損失関数の最小化 一部kerasを使っている できなかったが、誰かアドバイスをくれることを願ってgithub にあげた n https://github.com/HironoOkamoto/hoge/blob/master/semi %20supervised%20mnist%20tensorflow-12.ipynb 17/02/09
+ 13 ConvNet n 簡単のため、Lenetをつかった n batch normalizationも 17/02/09
+ 14 変形/安定損失関数 n データ増やすのはkerasが楽 だった n Tの部分 17/02/09
+ 15 Fractional Max-Pooling n ランダムにプーリングする部分 n n n n n tf.nn.fractional_max_pool ここは時間の関係上実装していなかったが、おそらく一番重要 jの部分 https://arxiv.org/abs/1412.6071 ドロップアウト 17/02/09
+ n 16 相互排他的損失関数 愚直に実装した 17/02/09
+ 17 損失関数 n ラベルありデータに関しては、クロスエントロピー n loss_label = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=outp ut, labels=y)) n loss = loss_label + lam1 * loss_unlabel_TS + lam2 * loss_unlabel_ME 17/02/09