論文の概要: Bridging Ordinary-Label Learning and Complementary-Label Learning
- arxiv url: http://arxiv.org/abs/2002.02158v5
- Date: Thu, 25 Jun 2020 07:56:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 09:53:38.373816
- Title: Bridging Ordinary-Label Learning and Complementary-Label Learning
- Title（参考訳）: ブリッジング標準ラベル学習と補完ラベル学習
- Authors: Yasuhiro Katsura, Masato Uchida
- Abstract要約: 各トレーニングデータを補完ラベルで提供する状況に対して,教師付き学習フレームワークが提案されている。
本稿では,通常のラベル学習と相補的なラベル学習に対応する一対一の分類における損失関数が,ある種の付加性と双対性を満足するという事実に注目した。
- 参考スコア（独自算出の注目度）: 0.6091702876917281
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A supervised learning framework has been proposed for the situation where
each training data is provided with a complementary label that represents a
class to which the pattern does not belong. In the existing literature,
complementary-label learning has been studied independently from ordinary-label
learning, which assumes that each training data is provided with a label
representing the class to which the pattern belongs. However, providing a
complementary label should be treated as equivalent to providing the rest of
all the labels as the candidates of the one true class. In this paper, we focus
on the fact that the loss functions for one-versus-all and pairwise
classification corresponding to ordinary-label learning and complementary-label
learning satisfy certain additivity and duality, and provide a framework which
directly bridge those existing supervised learning frameworks. Further, we
derive classification risk and error bound for any loss functions which satisfy
additivity and duality.
- Abstract（参考訳）: パターンが属さないクラスを表す補完ラベルを各トレーニングデータに提供する状況において,教師付き学習フレームワークが提案されている。
既存の文献では、各学習データにそのパターンが属するクラスを表すラベルを付与することを前提として、通常のラベル学習とは独立に相補的ラベル学習が研究されている。
しかしながら、補完的なラベルを提供することは、すべてのラベルを真のクラスの候補として提供することと同等として扱われるべきである。
本稿では,通常のラベル学習と相補的なラベル学習に対応する一対一の分類における損失関数が一定の付加性と双対性を満たすという事実に着目し,既存の教師付き学習フレームワークを直接ブリッジする枠組みを提案する。
さらに、加法性と双対性を満たす損失関数に対する分類リスクと誤差バインドを導出する。
関連論文リスト
- Determined Multi-Label Learning via Similarity-Based Prompt [12.428779617221366]
マルチラベル分類では、各トレーニングインスタンスは複数のクラスラベルに同時に関連付けられている。
この問題を軽減するために,textitDetermined Multi-Label Learning (DMLL) と呼ばれる新しいラベル設定を提案する。
論文 参考訳（メタデータ） (2024-03-25T07:08:01Z) - Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。
均一分布仮定に依存しない一貫したアプローチを提案する。
相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文 参考訳（メタデータ） (2023-11-27T02:59:17Z) - Robust Representation Learning for Unreliable Partial Label Learning [86.909511808373]
部分ラベル学習(Partial Label Learning, PLL)は、弱い教師付き学習の一種で、各トレーニングインスタンスに候補ラベルのセットが割り当てられる。
これはUn Reliable partial Label Learning (UPLL) と呼ばれ、部分ラベルの本質的な信頼性の欠如とあいまいさにより、さらなる複雑さをもたらす。
本研究では,信頼できない部分ラベルに対するモデル強化を支援するために,信頼性に欠けるコントラスト学習を活用するUnreliability-Robust Representation Learning framework(URRL)を提案する。
論文 参考訳（メタデータ） (2023-08-31T13:37:28Z) - Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。
我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
論文 参考訳（メタデータ） (2023-05-22T04:50:28Z) - Learning with Proper Partial Labels [87.65718705642819]
部分ラベル学習は、不正確なラベルを持つ弱い教師付き学習の一種である。
この適切な部分ラベル学習フレームワークには,従来の部分ラベル学習設定が数多く含まれていることを示す。
次に、分類リスクの統一的非バイアス推定器を導出する。
論文 参考訳（メタデータ） (2021-12-23T01:37:03Z) - A Flexible Class of Dependence-aware Multi-Label Loss Functions [4.265467042008983]
本稿では,多ラベル分類のための新しいクラス損失関数を提案する。
これは、ハミングやサブセット0/1のような一般的に使用される損失のデメリットを克服する。
これらの損失の観点からのマルチラベルの評価は、実証的研究で示される。
論文 参考訳（メタデータ） (2020-11-02T07:42:15Z) - Learning to Learn in a Semi-Supervised Fashion [41.38876517851431]
本稿では,ラベル付きデータとラベルなしデータの両方から半教師付き学習を行うメタ学習手法を提案する。
我々の戦略は、完全に教師付き学習タスクに適用可能な自己教師付き学習スキームとみなすことができる。
論文 参考訳（メタデータ） (2020-08-25T17:59:53Z) - 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) - Automatically Discovering and Learning New Visual Categories with
Ranking Statistics [145.89790963544314]
我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。
汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。
我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
論文 参考訳（メタデータ） (2020-02-13T18:53:32Z)
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。