論文の概要: General Partial Label Learning via Dual Bipartite Graph Autoencoder

• arxiv url: http://arxiv.org/abs/2001.01290v2
• Date: Thu, 9 Sep 2021 14:40:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-01-14 08:00:25.765359
• Title: General Partial Label Learning via Dual Bipartite Graph Autoencoder
• Title（参考訳）: Dual Bipartite Graph Autoencoderによる一般部分ラベル学習
• Authors: Brian Chen, Bo Wu, Alireza Zareian, Hanwang Zhang, Shih-Fu Chang
• Abstract要約: 一般部分ラベル学習(GPLL)の実践的かつ困難な問題を定式化する。 本稿では,Dual Bipartite Graph Autoencoder (DB-GAE) と呼ばれる新しいグラフオートエンコーダを提案する。
• 参考スコア（独自算出の注目度）: 81.78871072599607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We formulate a practical yet challenging problem: General Partial Label Learning (GPLL). Compared to the traditional Partial Label Learning (PLL) problem, GPLL relaxes the supervision assumption from instance-level -- a label set partially labels an instance -- to group-level: 1) a label set partially labels a group of instances, where the within-group instance-label link annotations are missing, and 2) cross-group links are allowed -- instances in a group may be partially linked to the label set from another group. Such ambiguous group-level supervision is more practical in real-world scenarios as additional annotation on the instance-level is no longer required, e.g., face-naming in videos where the group consists of faces in a frame, labeled by a name set in the corresponding caption. In this paper, we propose a novel graph convolutional network (GCN) called Dual Bipartite Graph Autoencoder (DB-GAE) to tackle the label ambiguity challenge of GPLL. First, we exploit the cross-group correlations to represent the instance groups as dual bipartite graphs: within-group and cross-group, which reciprocally complements each other to resolve the linking ambiguities. Second, we design a GCN autoencoder to encode and decode them, where the decodings are considered as the refined results. It is worth noting that DB-GAE is self-supervised and transductive, as it only uses the group-level supervision without a separate offline training stage. Extensive experiments on two real-world datasets demonstrate that DB-GAE significantly outperforms the best baseline over absolute 0.159 F1-score and 24.8% accuracy. We further offer analysis on various levels of label ambiguities.
• Abstract（参考訳）: 本稿では,GPLL(General partial Label Learning)という実用的かつ困難な問題を定式化する。 従来の部分的ラベル学習(pll)問題と比較すると、gpllは、インスタンスレベル -- インスタンスを部分的にラベルするラベルセット -- からグループレベルへの監督の仮定を緩和する。 1) ラベルセットは、グループ内のインスタンス-ラベルリンクアノテーションが欠落しているインスタンスのグループを部分的にラベル付けする。 2) クロスグループリンクは許可される -- グループのインスタンスは、別のグループからセットされたラベルに部分的にリンクされる。 このようなあいまいなグループレベルの監督は、実際のシナリオではより実用的であり、インスタンスレベルの追加アノテーションはもはや必要とされない。例えば、フレーム内の顔で構成されたビデオでは、対応するキャプションに設定された名前でラベル付けされる。 本稿では,GPLL のラベル曖昧性問題に対処するため,Dual Bipartite Graph Autoencoder (DB-GAE) と呼ばれる新しいグラフ畳み込みネットワークを提案する。 まず、クロスグループ相関を利用してインスタンス群を双対二部グラフとして表現する:inside-groupとcross-groupであり、相互補完してリンクあいまいさを解消する。 第2に,gcnオートエンコーダの設計を行い,デコード処理を改良した結果とする。 DB-GAEは、独立したオフライントレーニングステージなしでグループレベルの監視のみを使用するため、自己監督とトランスダクティブであることは注目に値する。 2つの実世界のデータセットに対する大規模な実験は、DB-GAEが絶対0.159F1スコアと24.8%の精度で最高のベースラインをはるかに上回ることを示した。 さらに,様々なラベルの曖昧さの分析を行う。

関連論文リスト

• Bipartite Ranking From Multiple Labels: On Loss Versus Label Aggregation [66.28528968249255]
  両部ランク付けは基本的な教師付き学習問題であり、ROC曲線(英語版)(AUC)の下で最大領域を持つインスタンスのランク付けを1つのバイナリターゲットラベルに対して学習することを目的としている。 このようなラベルを1つのコヒーレントなランキングにどうやって合成できるのか? 本研究では,ベイズ最適解を特徴付けることにより,損失集約とラベル集約という2つの手法を解析する。
  論文  参考訳（メタデータ） (2025-04-15T15:25:27Z)
• Multi-Level Label Correction by Distilling Proximate Patterns for Semi-supervised Semantic Segmentation [16.75278876840937]
  誤ラベルを訂正するアルゴリズムとして,MLLC (Multi-Level Label Correction) を提案する。 MLLCは、教師付きベースラインを大幅に改善し、CityscapesとPASCAL VOC 2012データセット上のさまざまなシナリオにおける最先端のアプローチより優れている。
  論文  参考訳（メタデータ） (2024-04-02T16:06:20Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Complementary Classifier Induced Partial Label Learning [54.61668156386079]
  部分ラベル学習(PLL)では、各トレーニングサンプルは候補ラベルのセットに関連付けられ、そのうち1つのみが有効である。 曖昧さでは、既存の研究は通常、非候補ラベルセットの有効性を十分に調査しない。 本稿では,非候補ラベルを用いて補完的分類器を誘導し,従来の分類器に対する逆関係を自然に形成する。
  論文  参考訳（メタデータ） (2023-05-17T02:13:23Z)
• G2NetPL: Generic Game-Theoretic Network for Partial-Label Image Classification [14.82038002764209]
  マルチラベル画像分類は、画像内の全ての可能なラベルを予測することを目的としている。 既存の部分ラベル学習の研究は、各トレーニングイメージが正負のラベルのサブセットでラベル付けされている場合に焦点を当てている。 本稿では、部分ラベル学習のためのエンドツーエンドのジェネリックゲーム理論ネットワーク(G2NetPL)を提案する。
  論文  参考訳（メタデータ） (2022-10-20T17:59:21Z)
• Weakly Supervised Classification Using Group-Level Labels [12.285265254225166]
  本稿では,グループレベルのバイナリラベルを,インスタンスレベルのバイナリ分類モデルの訓練に弱い監督力として利用する手法を提案する。 グループレベルのラベルを個別のインスタンスに対してクラス条件ノイズ(CCN)ラベルとしてモデル化し,強ラベル付きインスタンスでトレーニングされたモデルの予測を正規化するためにノイズラベルを使用する。
  論文  参考訳（メタデータ） (2021-08-16T20:01:45Z)
• Group-aware Label Transfer for Domain Adaptive Person Re-identification [179.816105255584]
  Unsupervised Adaptive Domain (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインデータセットで訓練されたモデルを、さらなるアノテーションなしでターゲットドメインデータセットに適応することを目的としている。 最も成功したUDA-ReIDアプローチは、クラスタリングに基づく擬似ラベル予測と表現学習を組み合わせて、2つのステップを交互に実行する。 疑似ラベル予測と表現学習のオンラインインタラクションと相互促進を可能にするグループ認識ラベル転送(GLT)アルゴリズムを提案します。
  論文  参考訳（メタデータ） (2021-03-23T07:57:39Z)
• SegGroup: Seg-Level Supervision for 3D Instance and Semantic Segmentation [88.22349093672975]
  アノテーションの場所を示すためにインスタンス毎に1つのポイントをクリックするだけでよい、弱い教師付きポイントクラウドセグメンテーションアルゴリズムを設計します。 事前処理のオーバーセグメンテーションにより、これらの位置アノテーションをセグレベルのラベルとしてセグメントに拡張する。 seg-level supervised method (SegGroup) は、完全注釈付きポイントレベルのsupervised method で比較結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-12-18T13:23:34Z)
• An Empirical Study on Large-Scale Multi-Label Text Classification Including Few and Zero-Shot Labels [49.036212158261215]
  大規模なMulti-label Text Classification (LMTC) は、幅広い自然言語処理 (NLP) アプリケーションを持つ。 Label-Wise Attention Networks (LWANs) を用いた最新のLMTCモデル 確率的ラベル木(PLT)に基づく階層的手法がLWANより優れていることを示す。 BERTとLWANを組み合わせた最先端手法を提案する。
  論文  参考訳（メタデータ） (2020-10-04T18:55:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。