論文の概要: Part-dependent Label Noise: Towards Instance-dependent Label Noise

• arxiv url: http://arxiv.org/abs/2006.07836v2
• Date: Thu, 3 Dec 2020 02:21:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 10:02:04.885276
• Title: Part-dependent Label Noise: Towards Instance-dependent Label Noise
• Title（参考訳）: 部分依存ラベルノイズ : インスタンス依存ラベルノイズに向けて
• Authors: Xiaobo Xia, Tongliang Liu, Bo Han, Nannan Wang, Mingming Gong, Haifeng Liu, Gang Niu, Dacheng Tao, Masashi Sugiyama
• Abstract要約: このような現実的なノイズをモデル化することは困難であるため,テキスト依存性のラベルノイズによる学習は困難である。 本稿では,テキスト単位のラベルノイズを利用して,インスタンス依存のラベルノイズを近似する。 合成および実世界のデータセットに関する実証的な評価は、我々の手法が最先端のアプローチよりも優れていることを示している。
• 参考スコア（独自算出の注目度）: 194.73829226122731
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning with the \textit{instance-dependent} label noise is challenging, because it is hard to model such real-world noise. Note that there are psychological and physiological evidences showing that we humans perceive instances by decomposing them into parts. Annotators are therefore more likely to annotate instances based on the parts rather than the whole instances, where a wrong mapping from parts to classes may cause the instance-dependent label noise. Motivated by this human cognition, in this paper, we approximate the instance-dependent label noise by exploiting \textit{part-dependent} label noise. Specifically, since instances can be approximately reconstructed by a combination of parts, we approximate the instance-dependent \textit{transition matrix} for an instance by a combination of the transition matrices for the parts of the instance. The transition matrices for parts can be learned by exploiting anchor points (i.e., data points that belong to a specific class almost surely). Empirical evaluations on synthetic and real-world datasets demonstrate our method is superior to the state-of-the-art approaches for learning from the instance-dependent label noise.
• Abstract（参考訳）: 実世界の騒音をモデル化することが難しいため, ラベルノイズをtextit{instance-dependent} で学習することは困難である。 心理学的、生理学的な証拠は、人間がそれらを部品に分解することで事例を知覚していることを示している。 従ってアノテーションは、インスタンス全体ではなく、部分に基づいてインスタンスをアノテートする傾向があり、部品からクラスへの間違ったマッピングがインスタンス依存のラベルノイズを引き起こす可能性がある。 本稿では,この人間の認知に動機づけられて,文脈依存ラベルノイズを<textit{part-dependent}ラベルノイズを用いて近似する。 具体的には、インスタンスは部品の組み合わせでほぼ再構築できるので、インスタンスの部分の遷移行列の組み合わせによってインスタンスのインスタンス依存の \textit{transition matrix} を近似する。 部品の遷移行列は、アンカー点(すなわち、ほぼ確実に特定のクラスに属するデータ点)を利用して学習することができる。 合成および実世界のデータセットの実証評価により,本手法は実例依存ラベルノイズから学習するための最先端手法よりも優れていることが示された。

関連論文リスト

• Estimating Noisy Class Posterior with Part-level Labels for Noisy Label Learning [13.502549812291878]
  既存の手法は通常、ノイズのあるラベルを持つ分類モデルを訓練することで、ノイズの多いクラス後部を学習する。 本稿では,教師付き情報をパートレベルのラベルで強化し,様々な部分からよりリッチな情報に集中・統合することをモデルに推奨する。 提案手法は理論的に健全であり,実験結果から合成および実世界の雑音評価において実験的に有効であることが示された。
  論文  参考訳（メタデータ） (2024-05-08T12:13:40Z)
• Rethinking the Value of Labels for Instance-Dependent Label Noise Learning [43.481591776038144]
  実世界のアプリケーションにおけるノイズの多いラベルは、しばしば真のラベルと機能の両方に依存します。 本研究では、ノイズ遷移行列を明示的にモデル化しない新しい深層生成モデルを用いて、インスタンス依存ラベルノイズに対処する。 提案アルゴリズムは,カジュアルな表現学習を活用し,データから高レベルのコンテンツとスタイルの潜伏要素を同時に識別する。
  論文  参考訳（メタデータ） (2023-05-10T15:29:07Z)
• 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)
• Approximating Instance-Dependent Noise via Instance-Confidence Embedding [87.65718705642819]
  マルチクラス分類におけるラベルノイズは、学習システムの展開にとって大きな障害である。 インスタンス依存ノイズ(IDN)モデルを調査し、IDNの効率的な近似を提案し、インスタンス固有のラベル破損を捕捉する。
  論文  参考訳（メタデータ） (2021-03-25T02:33:30Z)
• Class2Simi: A Noise Reduction Perspective on Learning with Noisy Labels [98.13491369929798]
  そこで我々は,ノイズのあるクラスラベルを持つデータポイントを,ノイズの多い類似ラベルを持つデータペアに変換するClass2Simiというフレームワークを提案する。 Class2Simiは、この変換がミニバッチのオンザフライであるだけでなく、モデル予測上の損失をペアワイズに変化させるため、計算的に効率的である。
  論文  参考訳（メタデータ） (2020-06-14T07:55:32Z)
• Multi-Class Classification from Noisy-Similarity-Labeled Data [98.13491369929798]
  雑音に類似したラベル付きデータのみから学習する方法を提案する。 ノイズ遷移行列を用いて、クリーンデータとノイズデータの間にクラス後確率をブリッジする。 雑音のないクラスラベルをインスタンスに割り当てる新しい学習システムを構築した。
  論文  参考訳（メタデータ） (2020-02-16T05:10:21Z)
• Confidence Scores Make Instance-dependent Label-noise Learning Possible [129.84497190791103]
  ノイズのあるラベルで学習する際、そのラベルはノイズモデルと呼ばれる遷移分布に従ってランダムに他のクラスに移動することができる。 我々は、各インスタンスラベル対に信頼スコアを付与する、信頼スコア付きインスタンス依存ノイズ(CSIDN)を導入する。 信頼性スコアの助けを借りて、各インスタンスの遷移分布を推定できる。
  論文  参考訳（メタデータ） (2020-01-11T16:15:41Z)

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。