Point-to-set distance functions for output-constrained neural networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Training a neural network for semantic segmentation with many images and pixel-level segmentations is a well-established computer-vision technique. When pixel-level segmentations are unavailable, weak supervision or prior information like bounding boxes and the size/shape of objects still enables training a network. Directly including prior knowledge on the segmentations means constraining the network output. This complicates the possible optimization strategies because the regularization then acts on the non-linear neural-network function output and not on the optimization variables. We present a new algorithm to include prior information via constraints on the network output, implemented via projection-based point-to-set distance functions, that are differentiable and always have the same functional form for the derivative. Thus, there is no need to adapt penalty functions or algorithms to various constraints. The distance function's differentiability also avoids issues related to constraining properties typically associated with non-differentiable penalties. We show that by explicitly taking a general neural network structure into account, the Lagrangian for the problem 'naturally' decouples the constraints and neural network, which allows for a gradient computation via backpropagation/adjoint-state as is common in deep learning. We present a suite of constraint sets suitable for segmentation problems. The numerical experiments show that learning from constraint sets applies to the broader imaging sciences, including visual and non-visual imagery, even when training a network for a single example.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle