論文の概要: Recovering Accurate Labeling Information from Partially Valid Data for Effective Multi-Label Learning

• arxiv url: http://arxiv.org/abs/2006.11488v1
• Date: Sat, 20 Jun 2020 04:13:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 22:11:28.455266
• Title: Recovering Accurate Labeling Information from Partially Valid Data for Effective Multi-Label Learning
• Title（参考訳）: 有効マルチラベル学習のための部分検証データからの正確なラベル情報検索
• Authors: Ximing Li, Yang Wang
• Abstract要約: Partial Multi-label Learning (PML) は、ノイズの多い教師付きデータセットからマルチラベル予測器を誘導することを目的としている。 本研究では,2段階PML法,すなわちエンファンダーラインのアンダーラインMulti-underlineLabelアンダーラインLabelを開発した。 実験の結果、赤ちゃんは最先端のPML法よりも優れていた。
• 参考スコア（独自算出の注目度）: 23.665227794132566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Partial Multi-label Learning (PML) aims to induce the multi-label predictor from datasets with noisy supervision, where each training instance is associated with several candidate labels but only partially valid. To address the noisy issue, the existing PML methods basically recover the ground-truth labels by leveraging the ground-truth confidence of the candidate label, \ie the likelihood of a candidate label being a ground-truth one. However, they neglect the information from non-candidate labels, which potentially contributes to the ground-truth label recovery. In this paper, we propose to recover the ground-truth labels, \ie estimating the ground-truth confidences, from the label enrichment, composed of the relevance degrees of candidate labels and irrelevance degrees of non-candidate labels. Upon this observation, we further develop a novel two-stage PML method, namely \emph{\underline{P}artial \underline{M}ulti-\underline{L}abel \underline{L}earning with \underline{L}abel \underline{E}nrichment-\underline{R}ecovery} (\baby), where in the first stage, it estimates the label enrichment with unconstrained label propagation, then jointly learns the ground-truth confidence and multi-label predictor given the label enrichment. Experimental results validate that \baby outperforms the state-of-the-art PML methods.
• Abstract（参考訳）: 部分的マルチラベル学習(pml)は、各トレーニングインスタンスが複数の候補ラベルに関連付けられているが、部分的に有効なデータセットからマルチラベル予測を誘導することを目的としている。 既存のpml手法では, 候補ラベルの接地信頼度を生かして, 接地ラベルの候補ラベルが接地ラベルである確率を低くすることで, 基本的に接地ラベルを回収する。 しかし、候補者でないラベルからの情報を無視し、それが地下ラベルの回復に繋がる可能性がある。 そこで,本稿では,提案するラベルの関連度と非候補ラベルの関連度とから構成されるラベルエンリッチメントから,地中信頼度を推定した地中信頼度を推定する。 この観察により、より新しい二段階pml法、すなわち \emph{\underline{p}artial \underline{m}ulti-\underline{l}abel \underline{l}earning with \underline{l}abel \underline{e}nrichment-\underline{r}ecovery} (\baby) が開発され、第1段階でラベルのエンリッチメントと非拘束ラベルの伝播を推定し、ラベルのエンリッチメントが与えられた基底的信頼度と多重ラベル予測器を共同で学習する。 実験の結果、\baby は最先端の pml メソッドよりも優れていることが確認された。

関連論文リスト

• Partial-Label Regression [54.74984751371617]
  部分ラベル学習は、弱い教師付き学習環境であり、各トレーニング例に候補ラベルのセットをアノテートすることができる。 部分ラベル学習に関する従来の研究は、候補ラベルがすべて離散的な分類設定のみに焦点を当てていた。 本稿では,各トレーニング例に実値付き候補ラベルのセットをアノテートした部分ラベル回帰を初めて検討する。
  論文  参考訳（メタデータ） (2023-06-15T09:02:24Z)
• Complementary Classifier Induced Partial Label Learning [54.61668156386079]
  部分ラベル学習(PLL)では、各トレーニングサンプルは候補ラベルのセットに関連付けられ、そのうち1つのみが有効である。 曖昧さでは、既存の研究は通常、非候補ラベルセットの有効性を十分に調査しない。 本稿では,非候補ラベルを用いて補完的分類器を誘導し,従来の分類器に対する逆関係を自然に形成する。
  論文  参考訳（メタデータ） (2023-05-17T02:13:23Z)
• Deep Partial Multi-Label Learning with Graph Disambiguation [27.908565535292723]
  grAph-disambIguatioN (PLAIN) を用いた新しいディープ部分多重ラベルモデルを提案する。 具体的には、ラベルの信頼性を回復するために、インスタンスレベルとラベルレベルの類似性を導入する。 各トレーニングエポックでは、ラベルがインスタンスとラベルグラフに伝播し、比較的正確な擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2023-05-10T04:02:08Z)
• Learning from Noisy Labels with Decoupled Meta Label Purifier [33.87292143223425]
  ディープニューラルネットワークをノイズラベルでトレーニングすることは、DNNが不正確なラベルを容易に記憶できるため、難しい。 本稿では,DMLPと呼ばれる新しい多段ラベル浄化器を提案する。 DMLPはラベル訂正プロセスをラベルなし表現学習と単純なメタラベル精製器に分離する。
  論文  参考訳（メタデータ） (2023-02-14T03:39:30Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• One Positive Label is Sufficient: Single-Positive Multi-Label Learning with Label Enhancement [71.9401831465908]
  本研究では,SPMLL (Single- positive multi-label learning) について検討した。 ラベルエンハンスメントを用いた単陽性MultIラベル学習という新しい手法を提案する。 ベンチマークデータセットの実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2022-06-01T14:26:30Z)
• Acknowledging the Unknown for Multi-label Learning with Single Positive Labels [65.5889334964149]
  伝統的に、全ての無注釈ラベルは、単一正のマルチラベル学習(SPML)において負のラベルとして仮定される。 本研究では, 予測確率のエントロピーを最大化するエントロピー最大化(EM)損失を提案する。 非通知ラベルの正負ラベル不均衡を考慮し、非対称耐性戦略とより精密な監視を行うセルフペースト手順を備えた非対称擬似ラベル(APL)を提案する。
  論文  参考訳（メタデータ） (2022-03-30T11:43:59Z)
• Instance-Dependent Partial Label Learning [69.49681837908511]
  部分ラベル学習は、典型的には弱教師付き学習問題である。 既存のほとんどのアプローチでは、トレーニングサンプルの間違ったラベルがランダムに候補ラベルとして選択されていると仮定している。 本稿では,各例が実数で構成された潜在ラベル分布と関連していると仮定する。
  論文  参考訳（メタデータ） (2021-10-25T12:50:26Z)
• Partial Multi-label Learning with Label and Feature Collaboration [21.294791188490056]
  部分的マルチラベル学習(PML)は、各トレーニングインスタンスに候補ラベルのセットをアノテートするシナリオをモデル化する。 PMLデータに対する信頼性のある予測器を実現するため,PML-LFC (Partial Multi-label Learning with Label and Feature Collaboration)を提案する。 PML-LFCは、ラベルと特徴空間の両方から類似性を用いて、各インスタンスの関連ラベルの信頼性値を推定する。
  論文  参考訳（メタデータ） (2020-03-17T08:34:45Z)

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。