エントリーの編集
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
データの傾向が変わっても性能が落ちにくいモデルの作り方 - Qiita
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
データの傾向が変わっても性能が落ちにくいモデルの作り方 - Qiita
下記論文のサーベイ記事です. - タイトル: Generative and Discriminative Text Classification with R... 下記論文のサーベイ記事です. - タイトル: Generative and Discriminative Text Classification with Recurrent Neural Networks - Deep Mindの論文 - 6 Mar 2017 - 著者: Dani Yogatama, Chris Dyer, Wang Ling, Phil Blunsom 主旨 テキスト分類でデータの傾向が変わっても生成モデルは識別モデルより性能が落ちにくいことを実証. 要約 日常だとデータの傾向は流行によってデータの出現頻度とか変わるし,新たな概念とかもすぐできる. 傾向が変わるたびにデータセットを全て学習しなおすのは時間がかかるので,できれば新たなデータのみで学習させたい.(Continual learning) あと,未知のクラスであっても予測できるようにしたい.(Zero-sho