論文の概要: Unified machine learning: Classification with simultaneous observed and
unobserved novelty detection
- arxiv url: http://arxiv.org/abs/2002.01368v7
- Date: Wed, 28 Jun 2023 12:00:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-29 18:58:35.279895
- Title: Unified machine learning: Classification with simultaneous observed and
unobserved novelty detection
- Title（参考訳）: 統一機械学習:同時観測・未観測ノベルティ検出による分類
- Authors: Emile R. Engelbrecht, Johan A. du Preez
- Abstract要約: Positive and Unlabelled (PU)-learning, Semi-Supervised Learning (SSL), and Open-Set Recognition (OSR) の統一的なアプローチは、コスト効率の高いアプリケーショングレード分類器の開発を大幅に促進する。
これまでの試みは、mboxtextitobservedとmboxtextitunobservedの新規カテゴリの定義を混乱させた。
Open-LACUは、観察および保存されていない新しいカテゴリを一般化する最初の機械学習ポリシーである。
- 参考スコア（独自算出の注目度）: 2.6397379133308214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A unified approach of Positive and Unlabelled (PU)-learning, Semi-Supervised
Learning (SSL), and Open-Set Recognition (OSR) would significantly enhance the
development of cost-efficient application-grade classifiers. However, previous
attempts have conflated the definitions of \mbox{\textit{observed}} and
\mbox{\textit{unobserved}} novel categories. Observed novel categories are
defined in PU-learning as those in unlabelled training data and exist due to an
incomplete set of category labels for the training set. In contrast, unobserved
novel categories are defined in OSR as those that only exist in the testing
data and represent new and interesting patterns that emerge over time. To
maintain safe and practical classifier development, models must generalise the
difference between these novel category types. In this letter, we thoroughly
review the relevant machine learning research fields to propose a new unified
machine learning policy called Open-set Learning with Augmented Categories by
exploiting Unlabelled data or Open-LACU. Specifically, Open-LACU requires
models to accurately classify $K > 1$ number of labelled categories while
simultaneously detecting and separating observed novel categories into the
augmented background category ($K + 1$) and further detecting and separating
unobserved novel categories into the augmented unknown category ($K + 2$).
Open-LACU is the first machine learning policy to generalise observed and
unobserved novel categories. The significance of Open-LACU is also highlighted
by discussing its application in semantic segmentation of remote sensing
images, object detection within medical radiology images and disease
identification through cough sound analysis.
- Abstract（参考訳）: Positive and Unlabelled (PU)-learning, Semi-Supervised Learning (SSL), and Open-Set Recognition (OSR) の統一的なアプローチは、コスト効率の高いアプリケーショングレード分類器の開発を大幅に促進する。
しかし、以前の試みは、新しいカテゴリである \mbox{\textit{observed}} と \mbox{\textit{unobserved}} の定義を混乱させた。
観測された新しいカテゴリは、PU学習において未学習のトレーニングデータとして定義され、トレーニングセットのカテゴリラベルの不完全なセットによって存在する。
対照的に、観測されていない新しいカテゴリはosrでテストデータにのみ存在し、時間とともに現れる新しい興味深いパターンを表すものとして定義されている。
安全で実用的な分類器の開発を維持するために、モデルはこれらの新しいカテゴリタイプの違いを一般化する必要がある。
本稿では,関連する機械学習研究分野を徹底的にレビューし,ラベルなしデータやオープンlacuを活用し,カテゴリを拡張したオープンセット学習という,新たな統一機械学習政策を提案する。
具体的には、Open-LACUは、ラベル付きカテゴリの$K > 1$を正確に分類し、同時に観察された新規カテゴリを拡張背景カテゴリ(K + 1$)に検出・分離し、さらに観測されていない新規カテゴリを強化未知カテゴリ(K + 2$)に検出・分離するモデルを必要とする。
Open-LACUは、観察および保存されていない新しいカテゴリを一般化する最初の機械学習ポリシーである。
Open-LACUの意義は、リモートセンシング画像のセマンティックセグメンテーション、医用放射線画像内の物体検出、およびコークス音響分析による病気の識別におけるその応用について論じる。
関連論文リスト
- Few-Shot Class-Incremental Learning with Prior Knowledge [94.95569068211195]
本稿では,事前学習モデルの一般化能力を高めるために,先行知識を用いた学習(LwPK)を提案する。
実験結果から,LwPKは破滅的忘れ込みに対するモデルレジリエンスを効果的に向上させることが示された。
論文 参考訳（メタデータ） (2024-02-02T08:05:35Z) - Managing the unknown: a survey on Open Set Recognition and tangential
areas [7.345136916791223]
オープンセット認識モデルは、テストフェーズに到達したサンプルから未知のクラスを検出すると同時に、既知のクラスに属するサンプルの分類において優れたパフォーマンスを維持することができる。
本稿では,オープンセット認識に関する最近の文献を包括的に概観し,この分野と他の機械学習研究領域との共通プラクティス,制限,関連性を明らかにする。
私たちの研究は、オープンな問題も明らかにし、より安全な人工知能手法への将来の取り組みを動機づけ、具体化するいくつかの研究方向を提案する。
論文 参考訳（メタデータ） (2023-12-14T10:08:12Z) - Towards Novel Class Discovery: A Study in Novel Skin Lesions Clustering [22.24175320515204]
皮膚内視鏡画像データセットから新しい意味クラスを自動的に発見する新しいクラス発見フレームワークを提案する。
具体的には、まずコントラスト学習を用いて、既知のカテゴリと未知のカテゴリのすべてのデータに基づいて、頑健で偏りのない特徴表現を学習する。
皮膚科学データセットISIC 2019について広範な実験を行い,本手法が既知のカテゴリの知識を有効活用し,新たな意味カテゴリーを発見できることを実験的に示した。
論文 参考訳（メタデータ） (2023-09-28T13:59:29Z) - SegPrompt: Boosting Open-world Segmentation via Category-level Prompt
Learning [49.17344010035996]
オープンワールドインスタンスセグメンテーション(OWIS)モデルは、クラスに依存しない方法で未知のオブジェクトを検出する。
以前のOWISは、未知のオブジェクトに一般化するモデルの能力を維持するために、トレーニング中のカテゴリ情報を完全に消去するアプローチだった。
そこで本研究では,モデルのクラスに依存しないセグメンテーション能力を改善するためにカテゴリ情報を利用するSegPromptと呼ばれる新しいトレーニング機構を提案する。
論文 参考訳（メタデータ） (2023-08-12T11:25:39Z) - Company classification using zero-shot learning [0.0]
NLPとゼロショット学習を用いた企業分類手法を提案する。
Wharton Research Data Services(WRDS)を用いて得られたデータセットに対する我々のアプローチを評価する。
論文 参考訳（メタデータ） (2023-05-01T18:36:06Z) - Open World Classification with Adaptive Negative Samples [89.2422451410507]
オープンワールド分類は、自然言語処理における重要な実践的妥当性と影響を伴う課題である。
そこで本研究では, アンダーライン適応型アンダーラインアンプ (ANS) に基づいて, 学習段階における効果的な合成オープンカテゴリサンプルを生成する手法を提案する。
ANSは最先端の手法よりも大幅に改善されている。
論文 参考訳（メタデータ） (2023-03-09T21:12:46Z) - Novel Class Discovery without Forgetting [72.52222295216062]
我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。
ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。
CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
論文 参考訳（メタデータ） (2022-07-21T17:54:36Z) - Class-incremental Novel Class Discovery [76.35226130521758]
クラス増進型新規クラス発見(class-iNCD)の課題について検討する。
基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。
3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
論文 参考訳（メタデータ） (2022-07-18T13:49:27Z) - Open-World Semi-Supervised Learning [66.90703597468377]
本稿では,従来のクラスを認識するためにモデルを必要とする,新しいオープンワールド半教師付き学習環境を提案する。
データの分類とクラスタ化を同時に行うアプローチであるORCAを提案する。
我々は,ORCAが新しいクラスを正確に発見し,ベンチマーク画像分類データセット上で以前に見られたクラスにサンプルを割り当てることを示した。
論文 参考訳（メタデータ） (2021-02-06T07:11:07Z)
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。