論文の概要: Structured Prediction with Partial Labelling through the Infimum Loss

• arxiv url: http://arxiv.org/abs/2003.00920v2
• Date: Wed, 9 Sep 2020 14:34:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 03:54:28.493523
• Title: Structured Prediction with Partial Labelling through the Infimum Loss
• Title（参考訳）: Infimum Lossにおける部分ラベリングによる構造予測
• Authors: Vivien Cabannes, Alessandro Rudi, Francis Bach
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 85.4940853372503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Annotating datasets is one of the main costs in nowadays supervised learning. The goal of weak supervision is to enable models to learn using only forms of labelling which are cheaper to collect, as partial labelling. This is a type of incomplete annotation where, for each datapoint, supervision is cast as a set of labels containing the real one. The problem of supervised learning with partial labelling has been studied for specific instances such as classification, multi-label, ranking or segmentation, but a general framework is still missing. This paper provides a unified framework based on structured prediction and on the concept of infimum loss to deal with partial labelling over a wide family of learning problems and loss functions. The framework leads naturally to explicit algorithms that can be easily implemented and for which proved statistical consistency and learning rates. Experiments confirm the superiority of the proposed approach over commonly used baselines.
• Abstract（参考訳）: データセットのアノテーションは、現在教師付き学習の主なコストの1つである。 弱い監督の目標は、部分的なラベル付けとして、より安価に収集できるラベル付け形式のみを用いてモデルを学習できるようにすることである。 これは不完全なアノテーションの一種であり、各データポイントに対して、監督は実際のものを含むラベルのセットとしてキャストされる。 分類,複数ラベル,ランク付け,セグメンテーションといった特定の事例に対して,部分ラベリングを用いた教師あり学習の問題が研究されているが,一般的なフレームワークはいまだに欠落している。 本稿では,構造化予測に基づく統一フレームワークと,学習問題と損失関数の幅広いファミリーに対する部分的ラベリングに対処するためのインフィルムロスの概念について述べる。 このフレームワークは、実装が容易で統計的一貫性と学習率を示す明示的なアルゴリズムを自然に導く。 実験は、一般的に使用されるベースラインよりも提案されたアプローチの優位性を確認する。

関連論文リスト

• A Fixed-Point Approach to Unified Prompt-Based Counting [51.20608895374113]
  本研究の目的は,ボックス,ポイント,テキストなど,さまざまなプロンプト型で示されるオブジェクトの密度マップを生成することができる包括的プロンプトベースのカウントフレームワークを確立することである。 本モデルは,クラスに依存しない顕著なデータセットに優れ,データセット間の適応タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T12:05:44Z)
• One-bit Supervision for Image Classification: Problem, Solution, and Beyond [114.95815360508395]
  本稿では,ラベルの少ない新しい学習環境である,画像分類のための1ビット監督について述べる。 多段階学習パラダイムを提案し、負ラベル抑圧を半教師付き半教師付き学習アルゴリズムに組み込む。 複数のベンチマークにおいて、提案手法の学習効率は、フルビットの半教師付き監視手法よりも優れている。
  論文  参考訳（メタデータ） (2023-11-26T07:39:00Z)
• A Unified Positive-Unlabeled Learning Framework for Document-Level Relation Extraction with Different Levels of Labeling [5.367772036988716]
  文書レベルの関係抽出(RE)は、複数の文にわたるエンティティ間の関係を特定することを目的としている。 我々は、シフトと二乗ランキング損失という、肯定的でない統一的な学習フレームワークを提案する。 提案手法は, 既往のベースラインに対して, 不完全ラベル付きで約14F1点の改善を実現する。
  論文  参考訳（メタデータ） (2022-10-17T02:54:49Z)
• Query-Adaptive Predictive Inference with Partial Labels [0.0]
  ブラックボックス予測モデル上に部分的にラベル付けされたデータのみを用いて予測集合を構築する新しい手法を提案する。 我々の実験は、予測セット構築の有効性と、よりフレキシブルなユーザ依存損失フレームワークの魅力を強調した。
  論文  参考訳（メタデータ） (2022-06-15T01:48:42Z)
• Learning from Label Proportions by Learning with Label Noise [30.7933303912474]
  ラベル比例(LLP)からの学習は、データポイントをバッグに分類する弱い教師付き分類問題である。 ラベル雑音による学習の低減に基づくLLPに対する理論的基礎的なアプローチを提案する。 このアプローチは、複数のデータセットやアーキテクチャにわたるディープラーニングシナリオにおける経験的パフォーマンスの向上を実証する。
  論文  参考訳（メタデータ） (2022-03-04T18:52:21Z)
• 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)
• 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)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)

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。