Model Dependency of the Performance in Generative Local Metric Learning

Q: 이 논문에서 정의한 생성 지역 메트릭(GLM)이란 무엇인가?

생성 지역 메트릭(GLM)은 유한 표본 효과를 최소화하는 지역 메트릭으로, 각 지점에서 두 사후 확률의 오분류율을 줄이도록 최적화된다. 이는 마할라노비스형 거리로 매개변수화되며, 최적의 A 행렬은 유한 표본 효과로 인한 편향을 최소화하도록 유도된다. 이를 통해 데이터의 모델이 정확하지 않아도 최근접 이웃 분류기의 성능을 향상시킨다.

Q: 생성 지역 메트릭(GLM)은 모델이 부정확할 때도 최근접 이웃 분류 성능을 어떻게 향상시키는가?

연구 결과, 생성 지역 메트릭(GLM)은 모델이 데이터에 완벽하게 부합하지 않더라도 생성 정보를 활용하여 최근접 이웃 분류 성능을 일관되게 향상시킨다. 이는 판별적 방법에서 사용되지 않는 생성적 접근 방식의 고유한 정보를 활용하기 때문이며, 모델 적합도가 높을수록 성능 향상 폭이 커진다. 따라서 GLM은 불완전한 모델 환경에서도 강건하게 작동한다.

Yung-Kyun Noh; Frank Chongwoo Park; Daniel D. Lee

자료유형: 학술대회자료

저자정보: Yung-Kyun Noh (Seoul National University) Frank Chongwoo Park (Seoul National University) Daniel D. Lee

저널정보: Korean Institute of Information Scientists and Engineers 한국정보과학회 학술발표논문집 한국정보과학회 2011가을 학술발표논문집 제38권 제2호(B)

발행연도: 2011.11

수록면: 307 - 310 (4page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

Nearest neighbor classification with generative local metric (GLM) learning is a hybrid method of the discriminative and generative approaches. A discriminative nearest neighbor classifier does not consider any model of data, while a generative classifier unavoidably adopts a particular form of the probability density function. In this work, we illuminate how these discriminative and generative approaches have different advantages and show how the advantages of both can be resolved into a GLM method. We present various examples that clearly show the different regimes where the discriminative and generative approaches should outperform each other. In these examples, we show that the GLM is robust to the usage of an incorrect model, enhancing nearest neighbor classifier performance even when the model is not exact.

참고문헌

참고문헌 신청

최근 본 자료

전체보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)