論文の概要: Poisson Learning: Graph Based Semi-Supervised Learning At Very Low Label
Rates
- arxiv url: http://arxiv.org/abs/2006.11184v2
- Date: Fri, 14 Aug 2020 14:46:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 03:40:43.095694
- Title: Poisson Learning: Graph Based Semi-Supervised Learning At Very Low Label
Rates
- Title(参考訳): poisson learning: 非常に低いラベルレートでグラフベースの半教師付き学習
- Authors: Jeff Calder, Brendan Cook, Matthew Thorpe, Dejan Slepcev
- Abstract要約: グラフに基づく半教師付き学習を低ラベルレートで行うため,Poisson Learningと呼ばれる新しいフレームワークを提案する。
本手法は,MNIST,FashionMNIST,Cifar-10において,低ラベルレートでの半教師あり学習よりも優れていることを示す数値実験を行った。
- 参考スコア(独自算出の注目度): 6.346772579930929
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new framework, called Poisson learning, for graph based
semi-supervised learning at very low label rates. Poisson learning is motivated
by the need to address the degeneracy of Laplacian semi-supervised learning in
this regime. The method replaces the assignment of label values at training
points with the placement of sources and sinks, and solves the resulting
Poisson equation on the graph. The outcomes are provably more stable and
informative than those of Laplacian learning. Poisson learning is efficient and
simple to implement, and we present numerical experiments showing the method is
superior to other recent approaches to semi-supervised learning at low label
rates on MNIST, FashionMNIST, and Cifar-10. We also propose a graph-cut
enhancement of Poisson learning, called Poisson MBO, that gives higher accuracy
and can incorporate prior knowledge of relative class sizes.
- Abstract(参考訳): グラフに基づく半教師付き学習を低ラベルレートで行うため,Poisson Learningと呼ばれる新しいフレームワークを提案する。
ポアソン学習は、ラプラシアの半教師付き学習の退化に対処する必要性に動機づけられている。
この方法は、トレーニングポイントにおけるラベル値の割り当てをソースとシンクの配置に置き換え、グラフ上のポアソン方程式を解く。
結果はラプラシア語の学習よりも確実に安定し、情報的である。
ポアソン学習は効率的で実装が簡単であり, mnist, fashionmnist, cifar-10のラベルレートの低い半教師付き学習に対する他の手法よりも優れていることを示す数値実験を行った。
また,Poisson MBO (Poisson MBO) と呼ばれる,相対的なクラスサイズに関する事前知識を取り入れたグラフカット学習も提案する。
関連論文リスト
- Robust Graph-Based Semi-Supervised Learning via $p$-Conductances [49.0776396776252]
本研究では,データラベルが不足している,あるいは破損しているような状況下でのグラフに対する半教師付き学習の課題について検討する。
我々は、$p$-laplace と Poisson の学習方法を一般化した $p$-conductance learning という手法を提案する。
コンピュータビジョンと引用データセットの実証実験結果から,本手法が低ラベルレート, 劣化ラベル, 部分ラベルレジームにおける最先端の精度を実現することを示す。
論文 参考訳(メタデータ) (2025-02-13T01:11:25Z) - Class Balance Matters to Active Class-Incremental Learning [61.11786214164405]
まず、大規模な未ラベルデータのプールから始めて、インクリメンタルな学習のための最も情報に富んだサンプルを注釈付けします。
そこで我々は,クラスバランスと情報提供性を両立させるため,クラスバランス選択(CBS)戦略を提案する。
我々のCBSは、プリトレーニング済みモデルとプロンプトチューニング技術に基づいて、これらのCILメソッドに接続し、再生することができる。
論文 参考訳(メタデータ) (2024-12-09T16:37:27Z) - MoBYv2AL: Self-supervised Active Learning for Image Classification [57.4372176671293]
画像分類のための自己教師型アクティブラーニングフレームワークであるMoBYv2ALを提案する。
私たちの貢献は、最も成功した自己教師付き学習アルゴリズムであるMoBYをALパイプラインに持ち上げることです。
近年のAL法と比較すると,最先端の結果が得られている。
論文 参考訳(メタデータ) (2023-01-04T10:52:02Z) - Deep Active Learning Using Barlow Twins [0.0]
畳み込みニューラルネットワーク(CNN)の一般化性能は、トレーニング画像の量、品質、多様性に大きく左右される。
タスクのアクティブラーニングの目標は、ラベルのないプールから最も情報に富んだサンプルを引き出すことである。
本稿では,すべてのデータセットに対する能動的学習手法であるBarlowTwins(DALBT)を用いたDeep Active Learningを提案する。
論文 参考訳(メタデータ) (2022-12-30T12:39:55Z) - A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳(メタデータ) (2022-07-29T02:34:19Z) - Making Look-Ahead Active Learning Strategies Feasible with Neural
Tangent Kernels [6.372625755672473]
本稿では,仮説的ラベル付き候補データを用いた再学習に基づく,能動的学習獲得戦略の近似手法を提案する。
通常、これはディープ・ネットワークでは実現できないが、我々はニューラル・タンジェント・カーネルを用いて再トレーニングの結果を近似する。
論文 参考訳(メタデータ) (2022-06-25T06:13:27Z) - Semi-supervised Learning on Large Graphs: is Poisson Learning a
Game-Changer? [6.548580592686076]
本稿では,グラフに基づく半教師付き学習におけるPoisson学習について説明する。
我々の分析から、Poissonの学習は単に閾値付きラプラス正規化であり、この問題を克服することはできない。
論文 参考訳(メタデータ) (2022-02-28T08:30:24Z) - Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。
グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。
実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。
ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。
分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
論文 参考訳(メタデータ) (2021-10-20T14:23:54Z) - Model-Change Active Learning in Graph-Based Semi-Supervised Learning [5.174023161939957]
モデル変更」アクティブラーニングは、追加ラベルを導入して得られた変化を定量化する
後方分布のラプラス近似を用いて, 取得関数を効率的に近似できる凸損失関数の族を考える。
論文 参考訳(メタデータ) (2021-10-14T21:47:10Z) - Graph Sampling Based Deep Metric Learning for Generalizable Person
Re-Identification [114.56752624945142]
我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。
大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
論文 参考訳(メタデータ) (2021-04-04T06:44:15Z)
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。