論文の概要: Labeled Optimal Partitioning

• arxiv url: http://arxiv.org/abs/2006.13967v1
• Date: Wed, 24 Jun 2020 18:08:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 09:33:16.486340
• Title: Labeled Optimal Partitioning
• Title（参考訳）: ラベル付き最適パーティショニング
• Authors: Toby Dylan Hocking, Anuraag Srivastava
• Abstract要約: 部分的にラベル付けされたデータでは、列車とテストセットの両方において、正/負の領域の変化を正しく予測することが重要である。 既存の動的予測の1つは正確な適合ラベルであるが、ラベルのないテスト領域における変化点を予測しない。 列車データにラベルを適合させることが保証された新しい動的プログラミングアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.0660480034605242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In data sequences measured over space or time, an important problem is accurate detection of abrupt changes. In partially labeled data, it is important to correctly predict presence/absence of changes in positive/negative labeled regions, in both the train and test sets. One existing dynamic programming algorithm is designed for prediction in unlabeled test regions (and ignores the labels in the train set); another is for accurate fitting of train labels (but does not predict changepoints in unlabeled test regions). We resolve these issues by proposing a new optimal changepoint detection model that is guaranteed to fit the labels in the train data, and can also provide predictions of unlabeled changepoints in test data. We propose a new dynamic programming algorithm, Labeled Optimal Partitioning (LOPART), and we provide a formal proof that it solves the resulting non-convex optimization problem. We provide theoretical and empirical analysis of the time complexity of our algorithm, in terms of the number of labels and the size of the data sequence to segment. Finally, we provide empirical evidence that our algorithm is more accurate than the existing baselines, in terms of train and test label error.
• Abstract（参考訳）: 空間や時間で測定されたデータシーケンスでは、急激な変化を正確に検出することが重要な問題である。 部分的にラベル付けされたデータでは、列車とテストセットの両方において、正・負のラベル付き領域における変化の有無を正しく予測することが重要である。 既存の動的プログラミングアルゴリズムの1つは、ラベルのないテスト領域での予測のために設計され(そして、列車のラベルを無視する)、もう1つは、列車のラベルの正確な適合のために設計されている(ラベルなしのテスト領域における変更ポイントは予測しない)。 我々は、列車データにラベルが適合することを保証し、テストデータにラベルのない変更点を予測できる新しい最適な変更点検出モデルを提案することで、これらの問題を解決する。 我々は,新しい動的プログラミングアルゴリズムであるラベル付き最適パーティショニング(lopart)を提案し,その結果生じる非凸最適化問題を解く形式的証明を提供する。 我々は,アルゴリズムの時間的複雑さを,ラベルの数とセグメントへのデータシーケンスのサイズの観点から理論的かつ実証的に分析する。 最後に,我々のアルゴリズムが既存のベースラインよりも精度が高いことを示す実験的な証拠を,列車やテストラベルの誤りの観点から提示する。

関連論文リスト

• You can't handle the (dirty) truth: Data-centric insights improve pseudo-labeling [60.27812493442062]
  擬似ラベル法を改善するためにラベル付きデータ品質を調査することが重要であることを示す。 具体的には、擬似ラベルの拡張のために、DIPSと呼ばれる新しいデータキャラクタリゼーションと選択フレームワークを導入する。 本研究では,多種多様な実世界のデータセットを対象とした擬似ラベル手法に対するDIPSの適用性と影響を実証する。
  論文  参考訳（メタデータ） (2024-06-19T17:58:40Z)
• Something for (almost) nothing: Improving deep ensemble calibration using unlabeled data [4.503508912578133]
  本研究では,未ラベルデータの存在下での訓練データ体制における深層アンサンブルの校正を改善する手法を提案する。 ラベルのない集合が与えられた場合、ラベルのない各データポイントに対して、ランダムに選択された異なるラベルを各アンサンブルメンバーに適合させる。
  論文  参考訳（メタデータ） (2023-10-04T15:21:54Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Semi-Supervised Semantic Segmentation With Region Relevance [28.92449538610617]
  半教師付きセマンティックセグメンテーションは、少数のラベル付きデータと多くのラベルなしデータから学ぶことを目的としている。 最も一般的なアプローチは、トレーニングデータを増やすためにラベルのない画像のための擬似ラベルを生成することである。 本稿では、上記の問題を緩和する地域関連ネットワーク(RRN)を提案する。
  論文  参考訳（メタデータ） (2023-04-23T04:51:27Z)
• Functional Labeled Optimal Partitioning [0.0]
  ピーク検出は、高いカウント(ピーク)を持つ領域と低いカウント(バックグラウンドノイズ)を持つ領域を区別する連続データ解析における問題である。 現在の制約付き変更ポイントアルゴリズムは、テストセットに対してのみ予測を生成し、列車セットを完全に無視する。 本稿では,列車ラベルの誤りをゼロとした新しい動的プログラミングアルゴリズムFLOPARTを提案し,テストセットに対して高精度な予測を行う。
  論文  参考訳（メタデータ） (2022-10-05T22:03:22Z)
• Dash: Semi-Supervised Learning with Dynamic Thresholding [72.74339790209531]
  我々は、ラベルのない例を使ってモデルをトレーニングする半教師付き学習(SSL)アプローチを提案する。 提案手法であるDashは、ラベルなしデータ選択の観点から適応性を享受する。
  論文  参考訳（メタデータ） (2021-09-01T23:52:29Z)
• Instance Correction for Learning with Open-set Noisy Labels [145.06552420999986]
  オープンセットノイズラベルの処理にはサンプル選択方式を用いる。 廃棄されたデータは間違ったラベルで書かれており、トレーニングには参加していない。 廃棄されたデータのインスタンスを変更して、廃棄されたデータの予測をラベルに一致させる。
  論文  参考訳（メタデータ） (2021-06-01T13:05:55Z)
• Weakly Supervised Pseudo-Label assisted Learning for ALS Point Cloud Semantic Segmentation [1.4620086904601473]
  競合ポイントクラウドの結果は通常、大量のラベル付きデータに依存します。 本研究では,基礎的事実を限定した正確な結果を得るための擬似ラベル方式を提案する。
  論文  参考訳（メタデータ） (2021-05-05T08:07:21Z)
• Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
  分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。 そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
  論文  参考訳（メタデータ） (2020-10-23T08:33:04Z)
• Gradient Descent in RKHS with Importance Labeling [58.79085525115987]
  我々は重要ラベル付け問題について研究し、ラベルなしデータが多く与えられている。 ラベルなしデータの情報サブセットを効果的に選択できる新しい重要ラベル方式を提案する。
  論文  参考訳（メタデータ） (2020-06-19T01:55:00Z)

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。