論文の概要: Particle Competition and Cooperation for Semi-Supervised Learning with
Label Noise
- arxiv url: http://arxiv.org/abs/2002.05198v1
- Date: Wed, 12 Feb 2020 19:44:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 19:30:37.771407
- Title: Particle Competition and Cooperation for Semi-Supervised Learning with
Label Noise
- Title（参考訳）: ラベル雑音による半教師付き学習における粒子競合と協調
- Authors: Fabricio Aparecido Breve, Liang Zhao, Marcos Gon\c{c}alves Quiles
- Abstract要約: The graph-based semi-supervised learning approach based on Particle competition and cooperation。
本稿では,ラベルノイズの存在に対するロバスト性を高めるために,新しい粒子競合・協調アルゴリズムを提案する。
ラベルなしノードの分類とラベルノイズによるノードの再分類を、ユニークなプロセスで行う。
- 参考スコア（独自算出の注目度）: 6.247917165799351
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised learning methods are usually employed in the classification
of data sets where only a small subset of the data items is labeled. In these
scenarios, label noise is a crucial issue, since the noise may easily spread to
a large portion or even the entire data set, leading to major degradation in
classification accuracy. Therefore, the development of new techniques to reduce
the nasty effects of label noise in semi-supervised learning is a vital issue.
Recently, a graph-based semi-supervised learning approach based on Particle
competition and cooperation was developed. In this model, particles walk in the
graphs constructed from the data sets. Competition takes place among particles
representing different class labels, while the cooperation occurs among
particles with the same label. This paper presents a new particle competition
and cooperation algorithm, specifically designed to increase the robustness to
the presence of label noise, improving its label noise tolerance. Different
from other methods, the proposed one does not require a separate technique to
deal with label noise. It performs classification of unlabeled nodes and
reclassification of the nodes affected by label noise in a unique process.
Computer simulations show the classification accuracy of the proposed method
when applied to some artificial and real-world data sets, in which we introduce
increasing amounts of label noise. The classification accuracy is compared to
those achieved by previous particle competition and cooperation algorithms and
other representative graph-based semi-supervised learning methods using the
same scenarios. Results show the effectiveness of the proposed method.
- Abstract（参考訳）: 半教師付き学習法は通常、データ項目の小さなサブセットのみをラベル付けしたデータセットの分類に使用される。
これらのシナリオではラベルノイズが重要な問題であり、ノイズが大きな部分やデータセット全体に分散し易いため、分類精度が大幅に低下する可能性がある。
そのため、半教師付き学習におけるラベルノイズの有害な影響を低減する新しい手法の開発が不可欠である。
近年,粒子競合と協調に基づくグラフに基づく半教師付き学習手法が開発されている。
このモデルでは、粒子はデータセットから構築されたグラフの中を歩く。
競合は異なるクラスラベルを表す粒子間で行われ、協調は同一のラベルを持つ粒子間で起こる。
本稿では,ラベルノイズの存在に対するロバスト性の向上と,ラベル雑音耐性の向上を目的とした新しい粒子競合・協調アルゴリズムを提案する。
他の方法とは異なり、提案手法はラベルノイズに対処する別の手法を必要としない。
ラベルなしノードの分類とラベルノイズの影響を受けるノードの再分類をユニークなプロセスで実行する。
計算機シミュレーションにより,提案手法を実世界のいくつかのデータセットに適用した場合の分類精度を示す。
この分類精度は,従来のパーティクルコンペティションと協調アルゴリズムおよび他のグラフベース半教師付き学習法で得られたものと比較した。
その結果,提案手法の有効性が示された。
関連論文リスト
- Extracting Clean and Balanced Subset for Noisy Long-tailed Classification [66.47809135771698]
そこで我々は,分布マッチングの観点から,クラスプロトタイプを用いた新しい擬似ラベリング手法を開発した。
手動で特定の確率尺度を設定することで、ノイズと長い尾を持つデータの副作用を同時に減らすことができる。
本手法は, クリーンなラベル付きクラスバランスサブセットを抽出し, ラベルノイズ付きロングテール分類において, 効果的な性能向上を実現する。
論文 参考訳（メタデータ） (2024-04-10T07:34:37Z) - Group Benefits Instances Selection for Data Purification [21.977432359384835]
ラベルノイズと戦う既存の方法は通常、合成データセット上で設計およびテストされる。
本稿では,合成および実世界の両方のデータセットに対するノイズラベル問題を緩和するGRIPという手法を提案する。
論文 参考訳（メタデータ） (2024-03-23T03:06:19Z) - Rethinking Noisy Label Learning in Real-world Annotation Scenarios from
the Noise-type Perspective [38.24239397999152]
本稿では,雑音ラベル学習のためのサンプル選択に基づく新しい手法であるProto-semiを提案する。
Proto-semiは、すべてのサンプルをウォームアップを通じて信頼性と信頼できないデータセットに分割する。
自信のあるデータセットを活用することで、プロトタイプベクターがクラス特性をキャプチャするために構築される。
実世界の注釈付きデータセットの実証評価は、ノイズラベルから学習する問題の処理において、プロトセミの頑健さを裏付けるものである。
論文 参考訳（メタデータ） (2023-07-28T10:57:38Z) - Robust Product Classification with Instance-Dependent Noise [2.0661025590877777]
大規模なEコマース製品データ(商品項目を誤ったカテゴリに配置する)のノイズラベルは、製品分類タスクにおいて重要な問題である。
製品タイトル分類の性能に及ぼすインスタンス依存ノイズの影響について検討する。
論文 参考訳（メタデータ） (2022-09-14T21:45:14Z) - Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。
合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
論文 参考訳（メタデータ） (2022-02-04T15:46:27Z) - A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。
人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
論文 参考訳（メタデータ） (2020-12-22T06:36:58Z) - EvidentialMix: Learning with Combined Open-set and Closed-set Noisy
Labels [30.268962418683955]
開集合ラベルと閉集合ラベルを組み合わせた雑音ラベル問題の新しい変種について検討する。
その結果,従来の最先端手法よりも優れた分類結果と特徴表現が得られた。
論文 参考訳（メタデータ） (2020-11-11T11:15:32Z) - Class2Simi: A Noise Reduction Perspective on Learning with Noisy Labels [98.13491369929798]
そこで我々は,ノイズのあるクラスラベルを持つデータポイントを,ノイズの多い類似ラベルを持つデータペアに変換するClass2Simiというフレームワークを提案する。
Class2Simiは、この変換がミニバッチのオンザフライであるだけでなく、モデル予測上の損失をペアワイズに変化させるため、計算的に効率的である。
論文 参考訳（メタデータ） (2020-06-14T07:55:32Z) - Towards Noise-resistant Object Detection with Noisy Annotations [119.63458519946691]
ディープオブジェクト検出器の訓練には、正確なオブジェクトラベルとバウンディングボックス座標を持つ、相当量の人間の注釈画像が必要である。
ノイズの多いアノテーションはずっと簡単にアクセスできますが、学習には有害かもしれません。
ノイズにはラベルノイズとバウンディングボックスノイズが混在している。
論文 参考訳（メタデータ） (2020-03-03T01:32:16Z) - Multi-Class Classification from Noisy-Similarity-Labeled Data [98.13491369929798]
雑音に類似したラベル付きデータのみから学習する方法を提案する。
ノイズ遷移行列を用いて、クリーンデータとノイズデータの間にクラス後確率をブリッジする。
雑音のないクラスラベルをインスタンスに割り当てる新しい学習システムを構築した。
論文 参考訳（メタデータ） (2020-02-16T05:10:21Z)
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。