論文の概要: Multi-Level Generative Models for Partial Label Learning with Non-random Label Noise

• arxiv url: http://arxiv.org/abs/2005.05407v1
• Date: Mon, 11 May 2020 20:13:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 19:46:02.162351
• Title: Multi-Level Generative Models for Partial Label Learning with Non-random Label Noise
• Title（参考訳）: 非ランダムラベル雑音を伴う部分ラベル学習のための多レベル生成モデル
• Authors: Yan Yan, Yuhong Guo
• Abstract要約: 部分ラベル学習のための新しい多段階生成モデル(MGPLL)を提案する。 ラベルレベルの逆生成器と特徴レベルの逆生成器の両方を双方向マッピングフレームワークで学習する。 提案手法は,部分ラベル学習における最先端性能を示す。
• 参考スコア（独自算出の注目度）: 47.01917619550429
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Partial label (PL) learning tackles the problem where each training instance is associated with a set of candidate labels that include both the true label and irrelevant noise labels. In this paper, we propose a novel multi-level generative model for partial label learning (MGPLL), which tackles the problem by learning both a label level adversarial generator and a feature level adversarial generator under a bi-directional mapping framework between the label vectors and the data samples. Specifically, MGPLL uses a conditional noise label generation network to model the non-random noise labels and perform label denoising, and uses a multi-class predictor to map the training instances to the denoised label vectors, while a conditional data feature generator is used to form an inverse mapping from the denoised label vectors to data samples. Both the noise label generator and the data feature generator are learned in an adversarial manner to match the observed candidate labels and data features respectively. Extensive experiments are conducted on synthesized and real-world partial label datasets. The proposed approach demonstrates the state-of-the-art performance for partial label learning.
• Abstract（参考訳）: 部分ラベル(PL)学習は、各トレーニングインスタンスが真のラベルと無関係なノイズラベルを含む候補ラベルのセットと関連付けられている問題に取り組む。 本稿では,ラベルベクトルとデータサンプルの双方向マッピングフレームワークを用いて,ラベルレベル逆生成器と特徴レベル逆生成器の両方を学習することにより,問題に対処する,部分ラベル学習のための多レベル生成モデル(mgpll)を提案する。 特に、mgpllは、条件付きノイズラベル生成ネットワークを使用して、非ランダムノイズラベルをモデル化し、ラベル修飾を行い、マルチクラス予測器を使用して、トレーニングインスタンスをデノー化ラベルベクトルにマッピングし、条件付きデータ特徴生成器を使用して、デノー化ラベルベクトルからデータサンプルへの逆マッピングを生成する。 ノイズラベル生成装置とデータ特徴生成装置とを、観測された候補ラベルとデータ特徴とをそれぞれ一致させる敵意的に学習する。 合成および実世界の部分ラベルデータセットに対して大規模な実験を行う。 提案手法は,部分ラベル学習における最先端性能を示す。

関連論文リスト

• Exploiting Conjugate Label Information for Multi-Instance Partial-Label Learning [61.00359941983515]
  MIPL(Multi-instance partial-label Learning)は、各トレーニングサンプルが1つの真のラベルといくつかの偽陽性を含む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されるシナリオに対処する。 ELIMIPLは共役ラベル情報を利用して曖昧性を改善する。
  論文  参考訳（メタデータ） (2024-08-26T15:49:31Z)
• Inaccurate Label Distribution Learning with Dependency Noise [52.08553913094809]
  本稿では,依存雑音に基づく不正確なラベル分布学習(DN-ILDL)フレームワークを導入し,ラベル分布学習におけるノイズによる課題に対処する。 本稿では,DN-ILDLがILDL問題に効果的に対処し,既存のLCL法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-26T07:58:07Z)
• Pseudo-labelling meets Label Smoothing for Noisy Partial Label Learning [8.387189407144403]
  部分ラベル学習(Partial label learning、PLL)は、各トレーニングインスタンスが候補ラベル(Partial label)のセットとペアリングされる弱い教師付き学習パラダイムである。 NPLLはこの制約を緩和し、一部の部分ラベルが真のラベルを含まないようにし、問題の実用性を高める。 本稿では,近傍の重み付けアルゴリズムを用いて,雑音のある部分ラベルを利用して画像に擬似ラベルを割り当てる最小限のフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-07T13:32:47Z)
• 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)
• Category-Adaptive Label Discovery and Noise Rejection for Multi-label Image Recognition with Partial Positive Labels [78.88007892742438]
  部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。 これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。 我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
  論文  参考訳（メタデータ） (2022-11-15T02:11:20Z)
• A Label Dependence-aware Sequence Generation Model for Multi-level Implicit Discourse Relation Recognition [31.179555215952306]
  暗黙の談話関係認識は、談話分析において難しいが重要な課題である。 ラベル依存型シーケンス生成モデル(LDSGM)を提案する。 ボトムアップ方向のラベル依存を利用した相互学習強化訓練法を開発した。
  論文  参考訳（メタデータ） (2021-12-22T09:14:03Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Instance-dependent Label-noise Learning under a Structural Causal Model [92.76400590283448]
  ラベルノイズはディープラーニングアルゴリズムの性能を劣化させる。 構造因果モデルを活用することにより,実例依存型ラベルノイズ学習のための新しい生成手法を提案する。
  論文  参考訳（メタデータ） (2021-09-07T10:42:54Z)
• A Realistic Simulation Framework for Learning with Label Noise [17.14439597393087]
  この枠組みは, ラベルノイズの重要な特徴を示す合成ノイズラベルを生成する。 また、ノイズの多いラベルで学習するための既存のアルゴリズムをベンチマークします。 本稿では、アノテータ機能を利用して雑音ラベルの予測と修正を行う新しい手法であるラベル品質モデル(LQM)を提案する。
  論文  参考訳（メタデータ） (2021-07-23T18:53:53Z)
• Rethinking Noisy Label Models: Labeler-Dependent Noise with Adversarial Awareness [2.1930130356902207]
  本稿では,複数のラベルに対してインスタンス依存ノイズを一般化するラベルノイズの原理モデルを提案する。 ラベラーに依存したモデルでは、ラベルノイズは善良なラベルの自然な誤りと悪質なアクターによって提供される敵対的なラベルの2つのモードの下に現れます。 実世界の環境で発生する可能性のあるラベルノイズをより正確に反映する2つの逆攻撃ベクトルを提案する。
  論文  参考訳（メタデータ） (2021-05-28T19:58:18Z)

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。