Fugu-MT 論文翻訳(概要): The Impact of Label Noise on a Music Tagger

論文の概要: The Impact of Label Noise on a Music Tagger

arxiv url: http://arxiv.org/abs/2008.06273v1
Date: Fri, 14 Aug 2020 10:00:30 GMT
ステータス: 処理完了
システム内更新日: 2022-10-30 18:01:55.322686
Title: The Impact of Label Noise on a Music Tagger
Title（参考訳）: レーベルノイズが楽曲タガーに及ぼす影響
Authors: Katharina Prinz, Arthur Flexer and Gerhard Widmer
Abstract要約: 注意深いアノテートラベルが有益であることを示すが、大量のノイズラベルでさえ学習に十分な情報を含んでいる。キュレートされたデータの人工的な破損により、ノイズラベルのこの寄与を定量化できます。
参考スコア（独自算出の注目度）: 6.68194398006805
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We explore how much can be learned from noisy labels in audio music tagging. Our experiments show that carefully annotated labels result in highest figures of merit, but even high amounts of noisy labels contain enough information for successful learning. Artificial corruption of curated data allows us to quantize this contribution of noisy labels.
Abstract（参考訳）: オーディオ音楽のタグ付けにおいて,ノイズの多いラベルからどの程度学習できるかを検討する。実験の結果,注意深いアノテートラベルが有益であることがわかったが,高頻度のノイズラベルでさえ,学習を成功させるために十分な情報を含んでいることがわかった。キュレートされたデータの人工的な破損により、ノイズラベルのこの寄与を定量化できます。

関連論文リスト

Co-Learning Meets Stitch-Up for Noisy Multi-label Visual Recognition [70.00984078351927]
本稿では,多ラベル分類と長期学習の特徴に基づく雑音の低減に焦点をあてる。よりクリーンなサンプルを合成し,マルチラベルノイズを直接低減するStitch-Up拡張を提案する。ヘテロジニアス・コラーニング・フレームワークは、長い尾の分布とバランスの取れた分布の不整合を活用するためにさらに設計されている。
論文参考訳（メタデータ） (2023-07-03T09:20:28Z)
FedNoisy: Federated Noisy Label Learning Benchmark [53.73816587601204]
フェデレーション学習は、クライアントからの機密データを集約することなく、分散学習で人気を集めている。データ分離の分散と分離の性質は、データ品質によって複雑になり、ノイズの多いラベルに対してより脆弱になる可能性がある。私たちは、研究者が潜在的にフェデレートされたノイズ設定を十分に調査するのに役立つ、最初の標準ベンチマークを提供しています。
論文参考訳（メタデータ） (2023-06-20T16:18:14Z)
Handling Realistic Label Noise in BERT Text Classification [1.0515439489916731]
実ラベルノイズはランダムではなく、入力特徴や他のアノテータ固有の要因と相関することが多い。これらのノイズの存在がBERT分類性能を著しく低下させることを示す。
論文参考訳（メタデータ） (2023-05-23T18:30:31Z)
Tripartite: Tackle Noisy Labels by a More Precise Partition [21.582850128741022]
トレーニングデータをより正確に3つのサブセット(ハード、ノイズ、クリーン)に分割するTripartiteソリューションを提案する。ノイズラベルの害を最小限に抑えつつノイズラベルデータの価値を最大化するために、ハードデータに低ウェイト学習を適用し、与えられたラベルを使わずにノイズラベルデータに自己教師付き学習を行う。
論文参考訳（メタデータ） (2022-02-19T11:15:02Z)
ARCA23K: An audio dataset for investigating open-set label noise [48.683197172795865]
本稿では、23,000以上のラベル付きFreesoundクリップからなる自動検索およびキュレートされたオーディオデータセットであるARCA23Kを紹介する。本稿では,ARCA23Kのラベリング誤りの大部分は語彙外音声クリップによるものであり,このタイプのラベリングノイズをオープンセットラベルノイズと呼ぶ。
論文参考訳（メタデータ） (2021-09-19T21:10:25Z)
Noisy Labels Can Induce Good Representations [53.47668632785373]
アーキテクチャがノイズラベルによる学習に与える影響について検討する。ノイズラベルを用いたトレーニングは,モデルが一般化に乏しい場合でも,有用な隠れ表現を誘導できることを示す。この発見は、騒々しいラベルで訓練されたモデルを改善する簡単な方法につながります。
論文参考訳（メタデータ） (2020-12-23T18:58:05Z)
Exploiting Context for Robustness to Label Noise in Active Learning [47.341705184013804]
本稿では,どのラベルが間違っているのかをシステムがどのように識別するか,ラベルノイズの負の影響を最小限に抑えるために,マルチクラスアクティブラーニングシステムをどのように適用できるか,といった課題に対処する。我々は、これらの関係を符号化し、ノイズラベルが利用できる場合にグラフ上の新しい信念を得るために、ラベルなしデータのグラフィカルな表現を構築した。これはシーン分類、アクティビティ分類、文書分類の3つの異なる応用で実証されている。
論文参考訳（メタデータ） (2020-10-18T18:59:44Z)
Addressing Missing Labels in Large-Scale Sound Event Recognition Using a Teacher-Student Framework With Loss Masking [27.53511063222248]
音響イベント認識におけるラベルノイズの研究は,大規模でノイズの多いデータセットの出現によって近年注目されている。この研究は、ラベルの欠如、大規模なオーディオデータセットの大きな弱点の1つ、およびAudioSetの最も顕著な問題に対処する。そこで本研究では,損失マスキングを用いた教師学習フレームワークをベースとした簡易かつモデルに依存しない手法を提案し,まず最も重要なラベル候補を識別し,学習過程においてその貢献を無視する。
論文参考訳（メタデータ） (2020-05-02T16:21:20Z)
Label Noise Types and Their Effects on Deep Learning [0.0]
本研究では,異なる種類のラベルノイズが学習に与える影響を詳細に分析する。本稿では,特徴に依存したラベルノイズを生成する汎用フレームワークを提案する。他の研究者がノイズの多いラベルでアルゴリズムをテストしやすいように、最も一般的に使用されているベンチマークデータセットに対して、破損したラベルを共有します。
論文参考訳（メタデータ） (2020-03-23T18:03:39Z)
Does label smoothing mitigate label noise? [57.76529645344897]
ラベルの平滑化はラベルノイズ下での損失補正と競合することを示す。ノイズの多いデータからモデルを蒸留する場合,教師のラベルの平滑化は有益であることを示す。
論文参考訳（メタデータ） (2020-03-05T18:43:17Z)
Limitations of weak labels for embedding and tagging [0.0]
環境音響分析における多くのデータセットやアプローチは、弱いラベル付きデータを用いており、強いラベルで全てのデータサンプルに注釈をつけるのは高すぎるため、弱いラベルが用いられる。本稿では,弱いラベルを含む教師付き学習問題を定式化し,他の課題とは対照的に,強いラベルと弱いラベルの違いに着目したデータセットを作成する。
論文参考訳（メタデータ） (2020-02-05T08:54:08Z)

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。