Meta learning for few-shot one-class classification
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Institucional da UFBA |
Texto Completo: | https://repositorio.ufba.br/handle/ri/35422 |
Resumo: | A detecção confiável e automática de anomalias é um problema fundamental em vários domínios. Suas carteiras médicas de segurança financeira para imagens. Uma maneira comum de abordar esse problema é equadrá-lo como um problema de classificação de uma classe: o problema conhecido apenas da classificação normal a priori deve determinar de quais dos novos exemplos também são normais. O sucesso dessa abordagem em algumas tarefas, os avanços recentes do Machine Learning devido às Deep Neural Networks ainda não atingiram as técnicas de classificação de uma classe. Tentativas anteriores de trazer esses avanços para o campo necessário compromissos, como impor ao poder de representação das neurais. Isso é indesejável porque um dos principais pontos fortes da abordagem de Deep Learning é ferramentas úteis diretamente dos dados, em vez de depender da engenharia manual de recursos. Propomos um método que pode realizar uma classificação de uma classe com um compromisso diferente. Nosso método não funciona na arquitetura de rede em vez disso, rotulou dados de tarefas relacionadas, um requisito que não está disponível para todos cenário. tarefas relacionadas Classificação de classe de meta-aprendizagem: o estágio de meta-treinamento como recurso recorrente de classificação de uma classe, o estágio de meta-treinamento como recurso de classificação de uma classe, escolhido para aprender uma representação de uma classe. Mostramos como o Support Vector Data Description (SVDD) pode ser usado com nosso método, e propor uma variante mais simples baseada em Redes Prototípicas que obtém desempenho comparável. Isso indica que aprender representações de recursos diretamente dos dados pode ser mais importante do que o de uma classe que escolhemos. Validamos nossa abordagem adaptando conjuntos de dados de classificação de poucos disparos ao cenário de classificação de poucos disparos, obtendo resultados semelhantes ao estado da arte da classificação tradicional de uma classe, e que melhora a classificação de uma classe de base de classificação empregados na configuração de poucos tiros. Além disso, como aplicação prática, empregamos nosso método na tarefa biométrica de verificação facial no dispositivo. Nesse cenário, ele se compara favoravelmente a uma técnica de aprendizado de métrica padrão. |
id |
UFBA-2_6b7cbbdb1182be6f6bed475b2f2c0255 |
---|---|
oai_identifier_str |
oai:repositorio.ufba.br:ri/35422 |
network_acronym_str |
UFBA-2 |
network_name_str |
Repositório Institucional da UFBA |
repository_id_str |
1932 |
spelling |
2022-06-01T16:17:23Z2022-06-01T16:17:23Z2022-03-08DAHIA, Gabriel. Meta learning for few-shot one-class classification. 2022. 43 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Computação, Universidade Federal da Bahia, Salvador, Bahia, 2022.https://repositorio.ufba.br/handle/ri/35422A detecção confiável e automática de anomalias é um problema fundamental em vários domínios. Suas carteiras médicas de segurança financeira para imagens. Uma maneira comum de abordar esse problema é equadrá-lo como um problema de classificação de uma classe: o problema conhecido apenas da classificação normal a priori deve determinar de quais dos novos exemplos também são normais. O sucesso dessa abordagem em algumas tarefas, os avanços recentes do Machine Learning devido às Deep Neural Networks ainda não atingiram as técnicas de classificação de uma classe. Tentativas anteriores de trazer esses avanços para o campo necessário compromissos, como impor ao poder de representação das neurais. Isso é indesejável porque um dos principais pontos fortes da abordagem de Deep Learning é ferramentas úteis diretamente dos dados, em vez de depender da engenharia manual de recursos. Propomos um método que pode realizar uma classificação de uma classe com um compromisso diferente. Nosso método não funciona na arquitetura de rede em vez disso, rotulou dados de tarefas relacionadas, um requisito que não está disponível para todos cenário. tarefas relacionadas Classificação de classe de meta-aprendizagem: o estágio de meta-treinamento como recurso recorrente de classificação de uma classe, o estágio de meta-treinamento como recurso de classificação de uma classe, escolhido para aprender uma representação de uma classe. Mostramos como o Support Vector Data Description (SVDD) pode ser usado com nosso método, e propor uma variante mais simples baseada em Redes Prototípicas que obtém desempenho comparável. Isso indica que aprender representações de recursos diretamente dos dados pode ser mais importante do que o de uma classe que escolhemos. Validamos nossa abordagem adaptando conjuntos de dados de classificação de poucos disparos ao cenário de classificação de poucos disparos, obtendo resultados semelhantes ao estado da arte da classificação tradicional de uma classe, e que melhora a classificação de uma classe de base de classificação empregados na configuração de poucos tiros. Além disso, como aplicação prática, empregamos nosso método na tarefa biométrica de verificação facial no dispositivo. Nesse cenário, ele se compara favoravelmente a uma técnica de aprendizado de métrica padrão.Reliably and automatically detecting anomalies is a fundamental problem in several domains. Its applications range from financial security to medical imaging. One common way to address this problem is to frame it as a one-class classification problem: the classifier knows only examples from the normal distribution a priori, and must determine after which of the novel examples are also normal. Despite the success of this approach in some tasks, the recent advances of Machine Learning due to Deep Neural Networks have not yet reached one-class classification techniques. Previous attempts of bringing these advances to the field required compromises, like imposing restrictions to the representational power of the neural networks. This is undesirable because one of the main strengths of the Deep Learning approach is learning useful representations from data directly, instead of relying on manual feature engineering. We propose a method that can perform one-class classification with a different compromise. Our method imposes no restrictions in the network architecture by requiring instead labeled data from related tasks, a requirement which is not available for every scenario. Using these related tasks, we formulate the learning of meaningful features for one- class classification as a meta-learning problem: the meta-training stage repeatedly simulates one-class classification, using the classification loss of the chosen algorithm to learn a feature representation. We show how Support Vector Data Description (SVDD) can be used with our method, and also propose a simpler variant based on Prototypical Networks that obtains comparable performance. This indicates that learning feature representations directly from data may be more important than which one-class algorithm we choose. We validate our approach by adapting few-shot classification datasets to the few-shot one-class classification scenario, obtaining similar results to the state-of-the-art of traditional one-class classification, and that improves upon that of one-class classification baselines employed in the few-shot setting. Moreover, as a practical application, we employ our method to the biometric task of on-device face verification. In this scenario, it compares unfavorably to a standard metric learning technique.Submitted by Gabriel Dahia (gdahia@gmail.com) on 2022-05-30T19:38:13Z No. of bitstreams: 1 PGCOMP-2022-Dissertação_Mestrad-Gabriel_Dahia_Fernandes.pdf: 3703304 bytes, checksum: 7cd76b49d696e82eb3e8888410df3ab2 (MD5)Approved for entry into archive by Solange Rocha (soluny@gmail.com) on 2022-06-01T16:17:23Z (GMT) No. of bitstreams: 1 PGCOMP-2022-Dissertação_Mestrad-Gabriel_Dahia_Fernandes.pdf: 3703304 bytes, checksum: 7cd76b49d696e82eb3e8888410df3ab2 (MD5)Made available in DSpace on 2022-06-01T16:17:23Z (GMT). No. of bitstreams: 1 PGCOMP-2022-Dissertação_Mestrad-Gabriel_Dahia_Fernandes.pdf: 3703304 bytes, checksum: 7cd76b49d696e82eb3e8888410df3ab2 (MD5) Previous issue date: 2022-03-08engUniversidade Federal da BahiaPrograma de Pós-Graduação em Ciência da Computação (PGCOMP) UFBABrasilInstituto de Computação - ICMachine LearningComputer VisionMeta-LearningCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOMeta-AprendizagemVisão computacionalAprendizado do computadorMeta learning for few-shot one-class classificationinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisSegundo, Maurício Pamplona0000-0003-4529-5757http://lattes.cnpq.br/9402272133670888Segundo, Mauricio Pamplona0000-0003-4529-5757http://lattes.cnpq.br/9402272133670888Lemes, Rubisley de Paulahttp://lattes.cnpq.br/4230260717556147Faria, Fabio Augustohttp://lattes.cnpq.br/3828728429230356http://lattes.cnpq.br/4983126329855649Dahia, Gabrielreponame:Repositório Institucional da UFBAinstname:Universidade Federal da Bahia (UFBA)instacron:UFBAinfo:eu-repo/semantics/openAccessORIGINALPGCOMP-2022-Dissertação_Mestrad-Gabriel_Dahia_Fernandes.pdfPGCOMP-2022-Dissertação_Mestrad-Gabriel_Dahia_Fernandes.pdfapplication/pdf3703304https://repositorio.ufba.br/bitstream/ri/35422/1/PGCOMP-2022-Disserta%c3%a7%c3%a3o_Mestrad-Gabriel_Dahia_Fernandes.pdf7cd76b49d696e82eb3e8888410df3ab2MD51LICENSElicense.txtlicense.txttext/plain1881https://repositorio.ufba.br/bitstream/ri/35422/2/license.txt5cfde62e35c4ab1756d453f91b5475e5MD52TEXTPGCOMP-2022-Dissertação_Mestrad-Gabriel_Dahia_Fernandes.pdf.txtPGCOMP-2022-Dissertação_Mestrad-Gabriel_Dahia_Fernandes.pdf.txtExtracted texttext/plain106106https://repositorio.ufba.br/bitstream/ri/35422/3/PGCOMP-2022-Disserta%c3%a7%c3%a3o_Mestrad-Gabriel_Dahia_Fernandes.pdf.txt6b49e6ebac58a50bd59c3586eff0b98aMD53ri/354222022-06-04 06:26:39.462oai:repositorio.ufba.br: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ório InstitucionalPUBhttp://192.188.11.11:8080/oai/requestopendoar:19322022-06-04T09:26:39Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)false |
dc.title.pt_BR.fl_str_mv |
Meta learning for few-shot one-class classification |
title |
Meta learning for few-shot one-class classification |
spellingShingle |
Meta learning for few-shot one-class classification Dahia, Gabriel CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Meta-Aprendizagem Visão computacional Aprendizado do computador Machine Learning Computer Vision Meta-Learning |
title_short |
Meta learning for few-shot one-class classification |
title_full |
Meta learning for few-shot one-class classification |
title_fullStr |
Meta learning for few-shot one-class classification |
title_full_unstemmed |
Meta learning for few-shot one-class classification |
title_sort |
Meta learning for few-shot one-class classification |
author |
Dahia, Gabriel |
author_facet |
Dahia, Gabriel |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Segundo, Maurício Pamplona |
dc.contributor.advisor1ID.fl_str_mv |
0000-0003-4529-5757 |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/9402272133670888 |
dc.contributor.referee1.fl_str_mv |
Segundo, Mauricio Pamplona |
dc.contributor.referee1ID.fl_str_mv |
0000-0003-4529-5757 |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/9402272133670888 |
dc.contributor.referee2.fl_str_mv |
Lemes, Rubisley de Paula |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/4230260717556147 |
dc.contributor.referee3.fl_str_mv |
Faria, Fabio Augusto |
dc.contributor.referee3Lattes.fl_str_mv |
http://lattes.cnpq.br/3828728429230356 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/4983126329855649 |
dc.contributor.author.fl_str_mv |
Dahia, Gabriel |
contributor_str_mv |
Segundo, Maurício Pamplona Segundo, Mauricio Pamplona Lemes, Rubisley de Paula Faria, Fabio Augusto |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
topic |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Meta-Aprendizagem Visão computacional Aprendizado do computador Machine Learning Computer Vision Meta-Learning |
dc.subject.por.fl_str_mv |
Meta-Aprendizagem Visão computacional Aprendizado do computador |
dc.subject.other.pt_BR.fl_str_mv |
Machine Learning Computer Vision Meta-Learning |
description |
A detecção confiável e automática de anomalias é um problema fundamental em vários domínios. Suas carteiras médicas de segurança financeira para imagens. Uma maneira comum de abordar esse problema é equadrá-lo como um problema de classificação de uma classe: o problema conhecido apenas da classificação normal a priori deve determinar de quais dos novos exemplos também são normais. O sucesso dessa abordagem em algumas tarefas, os avanços recentes do Machine Learning devido às Deep Neural Networks ainda não atingiram as técnicas de classificação de uma classe. Tentativas anteriores de trazer esses avanços para o campo necessário compromissos, como impor ao poder de representação das neurais. Isso é indesejável porque um dos principais pontos fortes da abordagem de Deep Learning é ferramentas úteis diretamente dos dados, em vez de depender da engenharia manual de recursos. Propomos um método que pode realizar uma classificação de uma classe com um compromisso diferente. Nosso método não funciona na arquitetura de rede em vez disso, rotulou dados de tarefas relacionadas, um requisito que não está disponível para todos cenário. tarefas relacionadas Classificação de classe de meta-aprendizagem: o estágio de meta-treinamento como recurso recorrente de classificação de uma classe, o estágio de meta-treinamento como recurso de classificação de uma classe, escolhido para aprender uma representação de uma classe. Mostramos como o Support Vector Data Description (SVDD) pode ser usado com nosso método, e propor uma variante mais simples baseada em Redes Prototípicas que obtém desempenho comparável. Isso indica que aprender representações de recursos diretamente dos dados pode ser mais importante do que o de uma classe que escolhemos. Validamos nossa abordagem adaptando conjuntos de dados de classificação de poucos disparos ao cenário de classificação de poucos disparos, obtendo resultados semelhantes ao estado da arte da classificação tradicional de uma classe, e que melhora a classificação de uma classe de base de classificação empregados na configuração de poucos tiros. Além disso, como aplicação prática, empregamos nosso método na tarefa biométrica de verificação facial no dispositivo. Nesse cenário, ele se compara favoravelmente a uma técnica de aprendizado de métrica padrão. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-06-01T16:17:23Z |
dc.date.available.fl_str_mv |
2022-06-01T16:17:23Z |
dc.date.issued.fl_str_mv |
2022-03-08 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
DAHIA, Gabriel. Meta learning for few-shot one-class classification. 2022. 43 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Computação, Universidade Federal da Bahia, Salvador, Bahia, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufba.br/handle/ri/35422 |
identifier_str_mv |
DAHIA, Gabriel. Meta learning for few-shot one-class classification. 2022. 43 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Computação, Universidade Federal da Bahia, Salvador, Bahia, 2022. |
url |
https://repositorio.ufba.br/handle/ri/35422 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal da Bahia |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Ciência da Computação (PGCOMP) |
dc.publisher.initials.fl_str_mv |
UFBA |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Instituto de Computação - IC |
publisher.none.fl_str_mv |
Universidade Federal da Bahia |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFBA instname:Universidade Federal da Bahia (UFBA) instacron:UFBA |
instname_str |
Universidade Federal da Bahia (UFBA) |
instacron_str |
UFBA |
institution |
UFBA |
reponame_str |
Repositório Institucional da UFBA |
collection |
Repositório Institucional da UFBA |
bitstream.url.fl_str_mv |
https://repositorio.ufba.br/bitstream/ri/35422/1/PGCOMP-2022-Disserta%c3%a7%c3%a3o_Mestrad-Gabriel_Dahia_Fernandes.pdf https://repositorio.ufba.br/bitstream/ri/35422/2/license.txt https://repositorio.ufba.br/bitstream/ri/35422/3/PGCOMP-2022-Disserta%c3%a7%c3%a3o_Mestrad-Gabriel_Dahia_Fernandes.pdf.txt |
bitstream.checksum.fl_str_mv |
7cd76b49d696e82eb3e8888410df3ab2 5cfde62e35c4ab1756d453f91b5475e5 6b49e6ebac58a50bd59c3586eff0b98a |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA) |
repository.mail.fl_str_mv |
|
_version_ |
1808459644154150912 |