論文の概要: Learnability with Indirect Supervision Signals

• arxiv url: http://arxiv.org/abs/2006.08791v2
• Date: Wed, 11 Nov 2020 10:12:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 03:22:49.869175
• Title: Learnability with Indirect Supervision Signals
• Title（参考訳）: 間接的監督信号による学習可能性
• Authors: Kaifu Wang, Qiang Ning, Dan Roth
• Abstract要約: 間接的な監視信号からの学習は、ゴールドラベルが欠落している場合やコストが高すぎる場合、現実世界のAIアプリケーションにおいて重要である。 我々は、ゴールドラベルとゼロでない相互情報を含む変数によって監督が提供される場合に、マルチクラス分類のための統一的な理論フレームワークを開発する。 本フレームワークは文献における仮定を緩和し,未知,非可逆,インスタンス依存のトランジションによる学習を支援する。
• 参考スコア（独自算出の注目度）: 74.39088325025378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning from indirect supervision signals is important in real-world AI applications when, often, gold labels are missing or too costly. In this paper, we develop a unified theoretical framework for multi-class classification when the supervision is provided by a variable that contains nonzero mutual information with the gold label. The nature of this problem is determined by (i) the transition probability from the gold labels to the indirect supervision variables and (ii) the learner's prior knowledge about the transition. Our framework relaxes assumptions made in the literature, and supports learning with unknown, non-invertible and instance-dependent transitions. Our theory introduces a novel concept called \emph{separation}, which characterizes the learnability and generalization bounds. We also demonstrate the application of our framework via concrete novel results in a variety of learning scenarios such as learning with superset annotations and joint supervision signals.
• Abstract（参考訳）: 間接的な監視信号からの学習は、ゴールドラベルが欠落している場合やコストが高すぎる場合、現実世界のAIアプリケーションにおいて重要である。 本稿では,ゴールドラベルと非ゼロの相互情報を含む変数によって監督を行う場合,マルチクラス分類のための統一的理論フレームワークを開発する。 この問題の性質は決定される。 (i)金ラベルから間接監督変数への遷移確率と (II) 学習者の移行に関する事前知識。 本フレームワークは文献における仮定を緩和し,未知,非可逆,インスタンス依存のトランジションによる学習を支援する。 この理論は、学習可能性と一般化境界を特徴づける新しい概念 \emph{separation} を導入する。 また、スーパーセットアノテーションによる学習や共同監視信号など、さまざまな学習シナリオにおいて、具体的な新しい結果によるフレームワークの適用を実証する。

関連論文リスト

• On Learning Latent Models with Multi-Instance Weak Supervision [57.18649648182171]
  本稿では,複数の入力インスタンスに関連付けられた遷移関数$sigma$ラベルによって,教師信号が生成される弱い教師付き学習シナリオについて考察する。 我々の問題は、潜在的な構造学習やニューロシンボリックな統合など、さまざまな分野で満たされている。
  論文  参考訳（メタデータ） (2023-06-23T22:05:08Z)
• PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
  少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。 我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。 このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-29T08:41:29Z)
• Label Propagation with Weak Supervision [47.52032178837098]
  古典的ラベル伝搬アルゴリズム(LPA)の新しい解析法について紹介する(Zhu & Ghahramani, 2002)。 基礎となるグラフの局所的幾何学的性質と先行情報の品質の両方を利用する誤差境界を提供する。 提案手法は,従来の半教師付き手法と弱教師付き手法を改良した,弱教師付き分類タスクに応用できることを実証する。
  論文  参考訳（メタデータ） (2022-10-07T14:53:02Z)
• Creating Training Sets via Weak Indirect Supervision [66.77795318313372]
  Weak Supervision (WS)フレームワークは、複数の潜在的にノイズの多い監督ソースからトレーニングラベルを合成する。 Weak Indirect Supervision (WIS) は、トレーニングラベルの自動合成のための新しい研究課題である。 我々は,ユーザが提供するラベル関係を利用して間接的な監督源をモデル化し活用する確率論的モデリング手法PLRMを開発した。
  論文  参考訳（メタデータ） (2021-10-07T14:09:35Z)
• A Review of Open-World Learning and Steps Toward Open-World Learning Without Labels [11.380522815465984]
  オープンワールド学習では、エージェントは既知のクラスのセットから始まり、知らないものを検出し、管理し、静止しないデータストリームから時間をかけて学習する。 本稿では,ラベルなしのオープンワールド学習を含む,様々なオープンワールド学習問題を定式化する。
  論文  参考訳（メタデータ） (2020-11-25T17:41:03Z)
• Foreseeing the Benefits of Incidental Supervision [83.08441990812636]
  本稿では,実験を行なわずに,特定の目標タスクに対して,様々な種類の偶発信号の利点を定量化できるかどうかを考察する。 本稿では,PABI(PAC-Bayesian motivated informativeness measure)を提案する。
  論文  参考訳（メタデータ） (2020-06-09T20:59:42Z)
• Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
  弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。 これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。 本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-03-02T13:59:41Z)

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。