اکسپرس 24
ترجمه فارسی مقاله یادگیری مقابله‌ای نیمه‌نظارتی ایمن با استفاده از داده‌های درون‌توزیعی به عنوان نمونه‌های مثبت

ترجمه فارسی مقاله یادگیری مقابله‌ای نیمه‌نظارتی ایمن با استفاده از داده‌های درون‌توزیعی به عنوان نمونه‌های مثبت

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Safe Semi-Supervised Contrastive Learning Using In-Distribution Data as Positive Examples
عنوان مقاله به فارسی یادگیری مقابله‌ای نیمه‌نظارتی ایمن با استفاده از داده‌های درون‌توزیعی به عنوان نمونه‌های مثبت
نویسندگان Min Gu Kwak, Hyungu Kahng, Seoung Bum Kim
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Computer Vision and Pattern Recognition,یادگیری ماشین , هوش مصنوعی , چشم انداز رایانه و تشخیص الگوی ,
توضیحات Submitted 3 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 3 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 480,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Semi-supervised learning methods have shown promising results in solving many practical problems when only a few labels are available. The existing methods assume that the class distributions of labeled and unlabeled data are equal; however, their performances are significantly degraded in class distribution mismatch scenarios where out-of-distribution (OOD) data exist in the unlabeled data. Previous safe semi-supervised learning studies have addressed this problem by making OOD data less likely to affect training based on labeled data. However, even if the studies effectively filter out the unnecessary OOD data, they can lose the basic information that all data share regardless of class. To this end, we propose to apply a self-supervised contrastive learning approach to fully exploit a large amount of unlabeled data. We also propose a contrastive loss function with coefficient schedule to aggregate as an anchor the labeled negative examples of the same class into positive examples. To evaluate the performance of the proposed method, we conduct experiments on image classification datasets - CIFAR-10, CIFAR-100, Tiny ImageNet, and CIFAR-100+Tiny ImageNet - under various mismatch ratios. The results show that self-supervised contrastive learning significantly improves classification accuracy. Moreover, aggregating the in-distribution examples produces better representation and consequently further improves classification accuracy.

چکیده به فارسی (ترجمه ماشینی)

روشهای یادگیری نیمه تحت نظارت نتایج امیدوارکننده ای را در حل بسیاری از مشکلات عملی نشان داده اند که فقط چند برچسب در دسترس است.روشهای موجود فرض می کنند که توزیع کلاس داده های دارای برچسب و بدون برچسب برابر است.با این حال ، عملکرد آنها به طور قابل توجهی در سناریوهای عدم تطابق توزیع کلاس که داده های خارج از توزیع (OOD) در داده های بدون برچسب وجود دارد ، تخریب می شود.مطالعات یادگیری نیمه نظارتی ایمن قبلی با ایجاد داده های OOD که کمتر بر آموزش بر اساس داده های دارای برچسب تأثیر می گذارد ، این مشکل را برطرف کرده است.با این حال ، حتی اگر مطالعات به طور موثری داده های غیر ضروری OOD را فیلتر کنند ، می توانند اطلاعات اساسی را که همه داده ها بدون در نظر گرفتن کلاس به اشتراک می گذارند ، از دست بدهند.برای این منظور ، ما پیشنهاد می کنیم یک رویکرد یادگیری متضاد خودکشی خود را برای بهره برداری کامل از مقدار زیادی از داده های بدون برچسب استفاده کنیم.ما همچنین یک عملکرد ضرر متضاد با برنامه ضریب پیشنهاد می کنیم تا به عنوان یک لنگر نمونه های منفی برچسب زده شده از همان کلاس در مثال های مثبت.برای ارزیابی عملکرد روش پیشنهادی ، ما آزمایشاتی را در مجموعه داده های طبقه بندی تصویر-CIFAR-10 ، CIFAR-100 ، TINY IMAGENET و CIFAR-100+Imagenet کوچک انجام می دهیم.نتایج نشان می دهد که یادگیری متضاد خودکشی به طور قابل توجهی دقت طبقه بندی را بهبود می بخشد.علاوه بر این ، جمع کردن نمونه های توزیع در توزیع ، بازنمایی بهتری را ایجاد می کند و در نتیجه دقت طبقه بندی را بهبود می بخشد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.