論文の概要: Partial Multi-label Learning with Label and Feature Collaboration

• arxiv url: http://arxiv.org/abs/2003.07578v1
• Date: Tue, 17 Mar 2020 08:34:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 20:37:27.398610
• Title: Partial Multi-label Learning with Label and Feature Collaboration
• Title（参考訳）: ラベルと特徴協調による部分的マルチラベル学習
• Authors: Tingting Yu, Guoxian Yu, Jun Wang, Maozu Guo
• Abstract要約: 部分的マルチラベル学習(PML)は、各トレーニングインスタンスに候補ラベルのセットをアノテートするシナリオをモデル化する。 PMLデータに対する信頼性のある予測器を実現するため,PML-LFC (Partial Multi-label Learning with Label and Feature Collaboration)を提案する。 PML-LFCは、ラベルと特徴空間の両方から類似性を用いて、各インスタンスの関連ラベルの信頼性値を推定する。
• 参考スコア（独自算出の注目度）: 21.294791188490056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Partial multi-label learning (PML) models the scenario where each training instance is annotated with a set of candidate labels, and only some of the labels are relevant. The PML problem is practical in real-world scenarios, as it is difficult and even impossible to obtain precisely labeled samples. Several PML solutions have been proposed to combat with the prone misled by the irrelevant labels concealed in the candidate labels, but they generally focus on the smoothness assumption in feature space or low-rank assumption in label space, while ignore the negative information between features and labels. Specifically, if two instances have largely overlapped candidate labels, irrespective of their feature similarity, their ground-truth labels should be similar; while if they are dissimilar in the feature and candidate label space, their ground-truth labels should be dissimilar with each other. To achieve a credible predictor on PML data, we propose a novel approach called PML-LFC (Partial Multi-label Learning with Label and Feature Collaboration). PML-LFC estimates the confidence values of relevant labels for each instance using the similarity from both the label and feature spaces, and trains the desired predictor with the estimated confidence values. PML-LFC achieves the predictor and the latent label matrix in a reciprocal reinforce manner by a unified model, and develops an alternative optimization procedure to optimize them. Extensive empirical study on both synthetic and real-world datasets demonstrates the superiority of PML-LFC.
• Abstract（参考訳）: 部分的マルチラベル学習(PML)は、各トレーニングインスタンスが候補ラベルのセットで注釈付けされているシナリオをモデル化する。 PML問題は実世界のシナリオでは実用的であり、正確なラベル付きサンプルを得るのは難しい。 いくつかのPMLソリューションは、候補ラベルに隠された無関係なラベルによって引き起こされる問題と戦うために提案されているが、一般に、特徴空間における滑らかさの仮定やラベル空間における低ランクの仮定に焦点を合わせ、特徴とラベル間の負の情報を無視している。 特に、2つのインスタンスが、特徴の類似性に関係なく、候補ラベルとほとんど重複している場合、それらの基底ラベルは類似するべきである。 PMLデータに対する信頼性の高い予測器を実現するために,PML-LFC (Partial Multi-label Learning with Label and Feature Collaboration) と呼ばれる新しい手法を提案する。 PML-LFCは、ラベルと特徴空間の両方の類似性を用いて、各インスタンスの関連ラベルの信頼値を推定し、推定された信頼値で所望の予測器を訓練する。 PML-LFCは、相互強化方法で予測子と潜在ラベル行列を統一モデルで達成し、それらを最適化するための代替最適化手順を開発する。 合成と実世界の両方のデータセットに関する大規模な実証研究は、PML-LFCの優位性を示している。

関連論文リスト

• Scalable Label Distribution Learning for Multi-Label Classification [47.55261224881677]
  マルチラベル分類(MLC、Multi-label classification)とは、あるインスタンスに関連ラベルのセットをタグ付けする問題を指す。 既存のMLC手法の多くはラベル数に関連する学習プロセスを設計しており、大規模な出力空間にスケールアップする際の計算複雑性をボトルネックにしている。 本稿では,多ラベル分類のためのスケーラブルラベル分散学習(SLDL)と呼ばれる新しいMLC学習手法を提案する。
  論文  参考訳（メタデータ） (2023-11-28T06:52:53Z)
• Disambiguated Attention Embedding for Multi-Instance Partial-Label Learning [68.56193228008466]
  多くの実世界のタスクでは、関連するオブジェクトは、候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現することができる。 既存のMIPLアプローチは、各インスタンスに拡張候補ラベルセットを割り当て、インスタンスレベルのラベルからバッグレベルのラベルを集約することで、インスタンス空間のパラダイムに従っている。 本稿では,DEMIPLという直感的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-26T13:25:17Z)
• Understanding Label Bias in Single Positive Multi-Label Learning [20.09309971112425]
  画像ごとの正のラベルを1つだけ使い、効果的なマルチラベルを訓練することができる。 SPMLの標準ベンチマークは、従来のマルチラベル分類データセットに由来する。 本研究では,SPMLにおけるラベルバイアス研究のプロトコルを導入し,新たな実験結果を提供する。
  論文  参考訳（メタデータ） (2023-05-24T21:41:08Z)
• Deep Partial Multi-Label Learning with Graph Disambiguation [27.908565535292723]
  grAph-disambIguatioN (PLAIN) を用いた新しいディープ部分多重ラベルモデルを提案する。 具体的には、ラベルの信頼性を回復するために、インスタンスレベルとラベルレベルの類似性を導入する。 各トレーニングエポックでは、ラベルがインスタンスとラベルグラフに伝播し、比較的正確な擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2023-05-10T04:02:08Z)
• Complementary to Multiple Labels: A Correlation-Aware Correction Approach [65.59584909436259]
  理論上, マルチクラスCLLにおける遷移行列が, 複数ラベルの場合どのように歪むかを示す。 候補ラベルから遷移行列を推定する2段階の手法を提案する。
  論文  参考訳（メタデータ） (2023-02-25T04:48:48Z)
• One Positive Label is Sufficient: Single-Positive Multi-Label Learning with Label Enhancement [71.9401831465908]
  本研究では,SPMLL (Single- positive multi-label learning) について検討した。 ラベルエンハンスメントを用いた単陽性MultIラベル学習という新しい手法を提案する。 ベンチマークデータセットの実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2022-06-01T14:26:30Z)
• Acknowledging the Unknown for Multi-label Learning with Single Positive Labels [65.5889334964149]
  伝統的に、全ての無注釈ラベルは、単一正のマルチラベル学習(SPML)において負のラベルとして仮定される。 本研究では, 予測確率のエントロピーを最大化するエントロピー最大化(EM)損失を提案する。 非通知ラベルの正負ラベル不均衡を考慮し、非対称耐性戦略とより精密な監視を行うセルフペースト手順を備えた非対称擬似ラベル(APL)を提案する。
  論文  参考訳（メタデータ） (2022-03-30T11:43:59Z)
• Instance-Dependent Partial Label Learning [69.49681837908511]
  部分ラベル学習は、典型的には弱教師付き学習問題である。 既存のほとんどのアプローチでは、トレーニングサンプルの間違ったラベルがランダムに候補ラベルとして選択されていると仮定している。 本稿では,各例が実数で構成された潜在ラベル分布と関連していると仮定する。
  論文  参考訳（メタデータ） (2021-10-25T12:50:26Z)
• Recovering Accurate Labeling Information from Partially Valid Data for Effective Multi-Label Learning [23.665227794132566]
  Partial Multi-label Learning (PML) は、ノイズの多い教師付きデータセットからマルチラベル予測器を誘導することを目的としている。 本研究では,2段階PML法,すなわちエンファンダーラインのアンダーラインMulti-underlineLabelアンダーラインLabelを開発した。 実験の結果、赤ちゃんは最先端のPML法よりも優れていた。
  論文  参考訳（メタデータ） (2020-06-20T04:13:24Z)

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。