論文の概要: Exploiting Context for Robustness to Label Noise in Active Learning
- arxiv url: http://arxiv.org/abs/2010.09066v1
- Date: Sun, 18 Oct 2020 18:59:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 04:07:55.780806
- Title: Exploiting Context for Robustness to Label Noise in Active Learning
- Title（参考訳）: 能動学習におけるラベルノイズに対するロバストネスの出現状況
- Authors: Sudipta Paul, Shivkumar Chandrasekaran, B.S. Manjunath, Amit K.
Roy-Chowdhury
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 47.341705184013804
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Several works in computer vision have demonstrated the effectiveness of
active learning for adapting the recognition model when new unlabeled data
becomes available. Most of these works consider that labels obtained from the
annotator are correct. However, in a practical scenario, as the quality of the
labels depends on the annotator, some of the labels might be wrong, which
results in degraded recognition performance. In this paper, we address the
problems of i) how a system can identify which of the queried labels are wrong
and ii) how a multi-class active learning system can be adapted to minimize the
negative impact of label noise. Towards solving the problems, we propose a
noisy label filtering based learning approach where the inter-relationship
(context) that is quite common in natural data is utilized to detect the wrong
labels. We construct a graphical representation of the unlabeled data to encode
these relationships and obtain new beliefs on the graph when noisy labels are
available. Comparing the new beliefs with the prior relational information, we
generate a dissimilarity score to detect the incorrect labels and update the
recognition model with correct labels which result in better recognition
performance. This is demonstrated in three different applications: scene
classification, activity classification, and document classification.
- Abstract（参考訳）: コンピュータビジョンにおけるいくつかの研究は、新しいラベルのないデータが利用可能になると、認識モデルに適応するためのアクティブラーニングの有効性を実証している。
これらの作品の多くは、注釈子から得られるラベルが正しいと考えている。
しかし、実際のシナリオでは、ラベルの品質がアノテータに依存しているため、ラベルの一部が間違っていて、認識性能が劣化する可能性がある。
本稿では,その問題点に対処する。
一 検索されたラベルのどれが間違っているかを識別する方法
二 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応させるか。
この問題を解決するために,自然データに非常によく見られる相互関係(コンテキスト)を用いてラベルの誤りを検出する,ノイズの多いラベルフィルタリングに基づく学習手法を提案する。
これらの関係をエンコードするためにラベルのないデータのグラフィカル表現を構築し,ノイズラベルが利用可能であればグラフ上で新たな信念を得る。
新たな信念と過去の関係情報を比較することで,不適切なラベルを検出し,認識モデルを正しいラベルで更新し,認識性能を向上する。
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。
関連論文リスト
- Drawing the Same Bounding Box Twice? Coping Noisy Annotations in Object
Detection with Repeated Labels [6.872072177648135]
そこで本研究では,基礎的真理推定手法に適合する新しい局所化アルゴリズムを提案する。
また,本アルゴリズムは,TexBiGデータセット上でのトレーニングにおいて,優れた性能を示す。
論文 参考訳（メタデータ） (2023-09-18T13:08:44Z) - Towards Imbalanced Large Scale Multi-label Classification with Partially
Annotated Labels [8.977819892091]
マルチラベル分類は、複数のクラスにインスタンスを関連付けることができる日常生活において、広く発生する問題である。
本研究では,ラベルの不均衡の問題に対処し,部分ラベルを用いたニューラルネットワークのトレーニング方法について検討する。
論文 参考訳（メタデータ） (2023-07-31T21:50:48Z) - Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。
我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
論文 参考訳（メタデータ） (2023-05-22T04:50:28Z) - Bridging the Gap between Model Explanations in Partially Annotated
Multi-label Classification [85.76130799062379]
偽陰性ラベルがモデルの説明にどのように影響するかを考察する。
本稿では,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させる。
論文 参考訳（メタデータ） (2023-04-04T14:00:59Z) - 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) - Identifying Incorrect Annotations in Multi-Label Classification Data [14.94741409713251]
マルチラベル分類データセットにおけるラベルの誤用例を見つけるアルゴリズムについて検討する。
本稿では、この設定に対する信頼学習フレームワークの拡張と、ラベルエラーのある事例を正しくラベル付けされたものよりも格付けするラベル品質スコアを提案する。
論文 参考訳（メタデータ） (2022-11-25T05:03:56Z) - Harmless label noise and informative soft-labels in supervised
classification [1.6752182911522517]
トレーニング例の手動ラベリングは、教師付き学習の一般的なプラクティスです。
ラベル処理が非自明な難易度である場合、供給されたラベルは接地ラベルと等しくなく、ラベルノイズをトレーニングデータセットに導入する。
特に、分類困難がラベルエラーの唯一の原因である場合、複数のノイズラベルセットは、分類規則の推定により多くの情報を提供することができる。
論文 参考訳（メタデータ） (2021-04-07T02:56:11Z) - 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) - Class2Simi: A Noise Reduction Perspective on Learning with Noisy Labels [98.13491369929798]
そこで我々は,ノイズのあるクラスラベルを持つデータポイントを,ノイズの多い類似ラベルを持つデータペアに変換するClass2Simiというフレームワークを提案する。
Class2Simiは、この変換がミニバッチのオンザフライであるだけでなく、モデル予測上の損失をペアワイズに変化させるため、計算的に効率的である。
論文 参考訳（メタデータ） (2020-06-14T07:55:32Z) - 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)
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。