Fugu-MT 論文翻訳(概要): Consistent Semi-Supervised Graph Regularization for High Dimensional Data

論文の概要: Consistent Semi-Supervised Graph Regularization for High Dimensional Data

arxiv url: http://arxiv.org/abs/2006.07575v1
Date: Sat, 13 Jun 2020 06:42:12 GMT
ステータス: 処理完了
システム内更新日: 2022-11-21 20:43:13.256875
Title: Consistent Semi-Supervised Graph Regularization for High Dimensional Data
Title（参考訳）: 高次元データの一貫性半教師付きグラフ正規化
Authors: Xiaoyi Mai and Romain Couillet
Abstract要約: 半教師付きラプラシア正規化(英語版)は、最近、非ラベルデータに対して重要な高次元学習効率を持つことが実証された。中心演算を含む新たな正則化手法が解法として提案され、理論的解析と経験的結果の両方が支持される。
参考スコア（独自算出の注目度）: 45.48471481431571
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Semi-supervised Laplacian regularization, a standard graph-based approach for learning from both labelled and unlabelled data, was recently demonstrated to have an insignificant high dimensional learning efficiency with respect to unlabelled data (Mai and Couillet 2018), causing it to be outperformed by its unsupervised counterpart, spectral clustering, given sufficient unlabelled data. Following a detailed discussion on the origin of this inconsistency problem, a novel regularization approach involving centering operation is proposed as solution, supported by both theoretical analysis and empirical results.
Abstract（参考訳）: ラベル付きデータと非ラベル付きデータの両方から学習する標準的なグラフベースの手法である半教師付きラプラシアン正規化(英語版)は、最近、非ラベル付きデータ(Mai and Couillet 2018)に関して重要な高次元学習効率を持つことを示した。この不整合問題の起源に関する詳細な議論の後、理論解析と経験的結果の両方に支えられ、集中操作を含む新たな正規化アプローチが解として提案される。

関連論文リスト

Semi-supervised Semantic Segmentation via Boosting Uncertainty on Unlabeled Data [6.318105712690353]
トレーニングデータセットにおけるラベル付き分布とラベルなし分布の分析を行う。本稿では2つの戦略を提案し,特に半教師付きセマンティックセグメンテーションのための不確実性ブースターアルゴリズムを設計する。提案手法は,従来の半教師付きセマンティックセグメンテーション法と比較して,最先端の性能を実現する。
論文参考訳（メタデータ） (2023-11-30T18:01:03Z)
The Decaying Missing-at-Random Framework: Doubly Robust Causal Inference with Partially Labeled Data [10.021381302215062]
現実のシナリオでは、データ収集の制限によって部分的にラベル付けされたデータセットが生成されることが多く、信頼性の高い因果推論の描画が困難になる。半パラメトリック(SS)や欠落したデータ文学における従来のアプローチは、これらの複雑さを適切に扱えないため、偏りのある見積もりにつながる可能性がある。このフレームワークは、高次元設定における欠落した結果に対処し、選択バイアスを考慮に入れます。
論文参考訳（メタデータ） (2023-05-22T07:37:12Z)
One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable Subspace Clustering [56.81492360414741]
両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
論文参考訳（メタデータ） (2023-05-12T11:27:20Z)
Graph Laplacian for Semi-Supervised Learning [8.477619837043214]
そこで本研究では,Semi-Supervised Learning (SSL)問題に適応した新しいグラフラプラシアンを提案する。これは密度とコントラストの両測度に基づいており、演算子に直接ラベル付きデータの符号化を可能にする。
論文参考訳（メタデータ） (2023-01-12T12:02:26Z)
Kernel-Whitening: Overcome Dataset Bias with Isotropic Sentence Embedding [51.48582649050054]
符号化文の特徴間の相関関係を解消する表現正規化手法を提案する。またNystromカーネル近似法であるKernel-Whiteningを提案する。実験により,Kernel-Whiteningは分布内精度を維持しつつ,分布外データセット上でのBERTの性能を著しく向上することが示された。
論文参考訳（メタデータ） (2022-10-14T05:56:38Z)
MaxMatch: Semi-Supervised Learning with Worst-Case Consistency [149.03760479533855]
半教師付き学習(SSL)のための最悪ケース整合正則化手法を提案する。本稿では,ラベル付きトレーニングデータとラベル付きトレーニングデータとを別々に比較した経験的損失項からなるSSLの一般化について述べる。この境界によって動機づけられたSSLの目的は、元のラベルのないサンプルと、その複数の拡張版との最大の矛盾を最小限に抑えるものである。
論文参考訳（メタデータ） (2022-09-26T12:04:49Z)
Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-09-15T03:05:39Z)
Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
半教師付き学習における簡単なメタ学習アルゴリズムを提案する。その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
論文参考訳（メタデータ） (2020-07-08T08:48:56Z)

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。