論文の概要: An interpretable semi-supervised classifier using two different
strategies for amended self-labeling
- arxiv url: http://arxiv.org/abs/2001.09502v2
- Date: Mon, 20 Jul 2020 12:00:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 19:16:33.201799
- Title: An interpretable semi-supervised classifier using two different
strategies for amended self-labeling
- Title（参考訳）: 修正自己分類のための2つの異なる戦略を用いた解釈可能な半教師付き分類器
- Authors: Isel Grau, Dipankar Sengupta, Maria M. Garcia Lorenzo, Ann Nowe
- Abstract要約: 半教師付き分類技術は、学習期間中にラベル付きデータとラベルなしデータを組み合わせる。
ブラックボックスを用いて,不足するクラスラベルとホワイトボックスを推定し,最終的な予測を説明する,解釈可能な自己ラベル付きグレーボックス分類器を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the context of some machine learning applications, obtaining data
instances is a relatively easy process but labeling them could become quite
expensive or tedious. Such scenarios lead to datasets with few labeled
instances and a larger number of unlabeled ones. Semi-supervised classification
techniques combine labeled and unlabeled data during the learning phase in
order to increase the classifier's generalization capability. Regrettably, most
successful semi-supervised classifiers do not allow explaining their outcome,
thus behaving like black boxes. However, there is an increasing number of
problem domains in which experts demand a clear understanding of the decision
process. In this paper, we report on an extended experimental study presenting
an interpretable self-labeling grey-box classifier that uses a black box to
estimate the missing class labels and a white box to explain the final
predictions. Two different approaches for amending the self-labeling process
are explored: a first one based on the confidence of the black box and the
latter one based on measures from Rough Set Theory. The results of the extended
experimental study support the interpretability by means of transparency and
simplicity of our classifier, while attaining superior prediction rates when
compared with state-of-the-art self-labeling classifiers reported in the
literature.
- Abstract（参考訳）: 一部の機械学習アプリケーションでは、データインスタンスの取得は比較的簡単なプロセスだが、ラベル付けは高価で退屈な作業になる可能性がある。
このようなシナリオは、ラベル付きインスタンスが少なく、ラベルなしインスタンスの数が多いデータセットにつながる。
半教師付き分類手法は、分類器の一般化能力を高めるために学習段階でラベル付きデータとラベルなしデータを組み合わせる。
確実に、最も成功した半教師付き分類器は結果の説明を許さず、ブラックボックスのように振る舞う。
しかし、専門家が決定プロセスを明確に理解するよう要求する問題領域が増えている。
本稿では,ブラックボックスを用いてクラスラベルの欠落を推定し,ホワイトボックスを用いて最終予測を説明する,解釈可能な自己ラベルグレーボックス分類器に関する実験結果について報告する。
ブラックボックスの信頼度に基づく最初のものと粗い集合論の尺度に基づく後者の2つのアプローチについて考察した。
拡張実験の結果は,本論文で報告されている最先端の自己ラベル分類器と比較して,より優れた予測率を得るとともに,分類器の透明性と簡易性による解釈可能性を支持した。
関連論文リスト
- Memory Consistency Guided Divide-and-Conquer Learning for Generalized
Category Discovery [56.172872410834664]
一般カテゴリー発見(GCD)は、半教師付き学習のより現実的で挑戦的な設定に対処することを目的としている。
メモリ一貫性を誘導する分枝・分枝学習フレームワーク(MCDL)を提案する。
本手法は,画像認識の目に見えるクラスと見えないクラスの両方において,最先端のモデルよりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-24T09:39:45Z) - Virtual Category Learning: A Semi-Supervised Learning Method for Dense
Prediction with Extremely Limited Labels [63.16824565919966]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。
仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。
私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
論文 参考訳（メタデータ） (2023-12-02T16:23:52Z) - Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label
Learning [97.88458953075205]
Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。
本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
論文 参考訳（メタデータ） (2023-05-04T12:52:18Z) - Combining Self-labeling with Selective Sampling [2.0305676256390934]
この研究は、選択的サンプリングシナリオにおける自己ラベル技術とアクティブラーニングを組み合わせたものである。
選択したクラスに対してバイアスを課すことにより,自己ラベルの適用がパフォーマンスに悪影響を及ぼすことを示す。
提案手法は,現在の選択的サンプリング手法と一致し,より良い結果が得られる。
論文 参考訳（メタデータ） (2023-01-11T11:58:45Z) - Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly
Supervised Video Anomaly Detection [149.23913018423022]
弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。
2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。
本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-08T05:53:53Z) - Resolving label uncertainty with implicit posterior models [71.62113762278963]
本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。
異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
論文 参考訳（メタデータ） (2022-02-28T18:09:44Z) - Self-Training: A Survey [5.772546394254112]
半教師付きアルゴリズムは、ラベル付き観測の小さなセットとラベルなし観測の大きなセットから予測関数を学習することを目的としている。
近年,自己学習手法が注目されていることは確かである。
本稿では,バイナリクラスとマルチクラス分類のための自己学習手法と,その変種と関連する2つのアプローチを提案する。
論文 参考訳（メタデータ） (2022-02-24T11:40:44Z) - Multi-class Probabilistic Bounds for Self-learning [13.875239300089861]
Pseudo-labelingはエラーを起こしやすいため、ラベルなしのトレーニングデータにノイズのあるラベルを追加するリスクがある。
本稿では,多クラス分類シナリオにおける自己学習を部分的にラベル付きデータで分析する確率的枠組みを提案する。
論文 参考訳（メタデータ） (2021-09-29T13:57:37Z) - Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。
これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。
本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
論文 参考訳（メタデータ） (2020-03-02T13:59:41Z)
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。