論文の概要: Global Multiclass Classification and Dataset Construction via Heterogeneous Local Experts

• arxiv url: http://arxiv.org/abs/2005.10848v3
• Date: Tue, 5 Jan 2021 23:34:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 23:14:31.873110
• Title: Global Multiclass Classification and Dataset Construction via Heterogeneous Local Experts
• Title（参考訳）: 異種ローカルエキスパートによるグローバルマルチクラス分類とデータセット構築
• Authors: Surin Ahn, Ayfer Ozgur and Mert Pilanci
• Abstract要約: 得られたデータセットの信頼性を確保しながら、ラベルの数を最小化する方法を示す。 MNISTとCIFAR-10データセットを用いた実験では、アグリゲーション方式の良好な精度が示されている。
• 参考スコア（独自算出の注目度）: 37.27708297562079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the domains of dataset construction and crowdsourcing, a notable challenge is to aggregate labels from a heterogeneous set of labelers, each of whom is potentially an expert in some subset of tasks (and less reliable in others). To reduce costs of hiring human labelers or training automated labeling systems, it is of interest to minimize the number of labelers while ensuring the reliability of the resulting dataset. We model this as the problem of performing $K$-class classification using the predictions of smaller classifiers, each trained on a subset of $[K]$, and derive bounds on the number of classifiers needed to accurately infer the true class of an unlabeled sample under both adversarial and stochastic assumptions. By exploiting a connection to the classical set cover problem, we produce a near-optimal scheme for designing such configurations of classifiers which recovers the well known one-vs.-one classification approach as a special case. Experiments with the MNIST and CIFAR-10 datasets demonstrate the favorable accuracy (compared to a centralized classifier) of our aggregation scheme applied to classifiers trained on subsets of the data. These results suggest a new way to automatically label data or adapt an existing set of local classifiers to larger-scale multiclass problems.
• Abstract（参考訳）: データセットの構築とクラウドソーシングの分野において、注目すべき課題は、多種多様なラベルの集合からラベルを集約することである。 人為的なラベル付けや自動ラベル付けシステムのトレーニングのコストを削減するため、データセットの信頼性を確保しつつ、ラベルの数を最小化することに関心がある。 我々は、これを小さな分類器の予測を用いて、$k$-クラス分類を行う問題としてモデル化し、それぞれ$[k]$のサブセットで訓練され、逆と確率の仮定の下でラベルなしサンプルの真のクラスを正確に推測するために必要な分類器の数の境界を導出する。 古典的な集合被覆問題との接続を利用して、よく知られた one-vs を回復する分類器の構成を設計するための最適に近いスキームを作成する。 -特殊事例としての1つの分類法。 MNISTとCIFAR-10データセットを用いた実験は、データのサブセットで訓練された分類器に適用したアグリゲーションスキームの良好な精度(集中型分類器と比較)を示す。 これらの結果から,既存の局所分類器を大規模マルチクラス問題に適応させる新たな手法が示唆された。

関連論文リスト

• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Making Binary Classification from Multiple Unlabeled Datasets Almost Free of Supervision [128.6645627461981]
  本稿では,複数ラベル付きデータセットからの2値分類という新たな問題設定を提案する。 MU-OPPOでは、ラベル付けされていないすべてのデータセットのクラスプリエントは不要です。 このフレームワークは,クラス前の推定誤差が小さくなり,バイナリ分類の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-06-12T11:33:46Z)
• NorMatch: Matching Normalizing Flows with Discriminative Classifiers for Semi-Supervised Learning [8.749830466953584]
  Semi-Supervised Learning (SSL)は、小さなラベル付きセットと大量のラベルなしデータを使ってモデルを学習することを目的としている。 この作業では、NorMatchというSSLの新しいフレームワークを紹介します。 数値的および視覚的な結果を通して、NorMatchはいくつかのデータセットで最先端のパフォーマンスを達成することを実証する。
  論文  参考訳（メタデータ） (2022-11-17T15:39:18Z)
• Learning from Multiple Unlabeled Datasets with Partial Risk Regularization [80.54710259664698]
  本稿では,クラスラベルを使わずに正確な分類器を学習することを目的とする。 まず、与えられたラベルのない集合から推定できる分類リスクの偏りのない推定器を導出する。 その結果、経験的リスクがトレーニング中に負になるにつれて、分類器が過度に適合する傾向があることが判明した。 実験により,本手法は,複数の未ラベル集合から学習する最先端の手法を効果的に緩和し,性能を向上することを示した。
  論文  参考訳（メタデータ） (2022-07-04T16:22:44Z)
• Semi-Supervised Cascaded Clustering for Classification of Noisy Label Data [0.3441021278275805]
  教師付き分類技術の性能は、データがノイズのあるラベルを持つと劣化することが多い。 ノイズの多いラベルデータに対処するアプローチのほとんどは、分類タスクに巨大なデータセットを必要とするディープニューラルネットワーク(DNN)に依存している。 パターンを抽出し、そのようなデータセットのクラスをカスケード木として生成する半教師付きカスケードクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-04T17:42:22Z)
• Evolving Multi-Label Fuzzy Classifier [5.53329677986653]
  マルチラベル分類は、同時に複数のクラスに1つのサンプルを割り当てるという問題に対処するために、機械学習コミュニティで多くの注目を集めている。 本稿では,新たなマルチラベルサンプルをインクリメンタルかつシングルパスで自己適応・自己展開可能な多ラベルファジィ分類器(EFC-ML)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:01:03Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)
• Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
  機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。 任意の関数に対するランダム化スムージングの統一的なビューを示す。 本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-07T21:28:30Z)

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。