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
- 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) - 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) - Semantic-Aware Representation Blending for Multi-Label Image Recognition
with Partial Labels [86.17081952197788]
そこで我々は,未知のラベルを補うために,異なる画像にカテゴリ固有の表現をブレンドして,既知のラベルの情報を伝達することを提案する。
MS-COCO、Visual Genome、Pascal VOC 2007データセットの実験は、提案されたSARBフレームワークが、現在の主要な競合相手よりも優れたパフォーマンスを得ることを示している。
論文 参考訳(メタデータ) (2022-03-04T07:56:16Z) - 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) - Evaluating Multi-label Classifiers with Noisy Labels [0.7868449549351487]
実世界では、クリーンなデータセットよりもノイズの多いデータセットを扱う方が一般的です。
雑音ラベルを効果的に処理するコンテキストベースマルチラベル分類器(CbMLC)を提案する。
CbMLCは、ほとんどの場合、以前の方法よりも大幅に改善されています。
論文 参考訳(メタデータ) (2021-02-16T19:50:52Z)
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。