論文の概要: DLDL: Dynamic Label Dictionary Learning via Hypergraph Regularization

• arxiv url: http://arxiv.org/abs/2010.12417v1
• Date: Fri, 23 Oct 2020 14:07:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 23:18:44.858841
• Title: DLDL: Dynamic Label Dictionary Learning via Hypergraph Regularization
• Title（参考訳）: DLDL:ハイパーグラフ正規化による動的ラベル辞書学習
• Authors: Shuai Shao and Mengke Wang and Rui Xu and Yan-Jiang Wang and Bao-Di Liu
• Abstract要約: ラベルなしデータに対するソフトラベル行列を生成するための動的ラベル辞書学習(DLDL)アルゴリズムを提案する。 具体的には、原データ、変換データ、ソフトラベル間の関係の整合性を維持するために、ハイパーグラフ多様体の正規化を用いる。
• 参考スコア（独自算出の注目度）: 17.34373273007931
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For classification tasks, dictionary learning based methods have attracted lots of attention in recent years. One popular way to achieve this purpose is to introduce label information to generate a discriminative dictionary to represent samples. However, compared with traditional dictionary learning, this category of methods only achieves significant improvements in supervised learning, and has little positive influence on semi-supervised or unsupervised learning. To tackle this issue, we propose a Dynamic Label Dictionary Learning (DLDL) algorithm to generate the soft label matrix for unlabeled data. Specifically, we employ hypergraph manifold regularization to keep the relations among original data, transformed data, and soft labels consistent. We demonstrate the efficiency of the proposed DLDL approach on two remote sensing datasets.
• Abstract（参考訳）: 分類課題については,近年,辞書学習に基づく手法が注目されている。 この目的を達成するための一般的な方法は、ラベル情報を導入して、サンプルを表現する識別辞書を生成することである。 しかし、従来の辞書学習と比較して、この手法は教師あり学習の大幅な改善しか達成せず、半教師なし学習や教師なし学習にはほとんど効果がない。 そこで本研究では,ラベルなしデータに対するソフトラベル行列を生成するために,動的ラベル辞書学習(DLDL)アルゴリズムを提案する。 具体的には、原データ、変換データ、ソフトラベル間の関係を維持するために、ハイパーグラフの正規化を用いる。 本稿では,2つのリモートセンシングデータセットに対するDLDL手法の有効性を示す。

関連論文リスト

• Co-training for Low Resource Scientific Natural Language Inference [65.37685198688538]
  遠隔教師付きラベルに分類器のトレーニング力学に基づいて重みを割り当てる新しいコトレーニング手法を提案する。 予測された信頼度に対する任意のしきい値に基づいてサンプルをフィルタリングするのではなく、重要重みを割り当てることにより、自動ラベル付きデータの使用を最大化する。 提案手法は、遠隔監視ベースラインに対するマクロF1の1.5%の改善と、他の強力なSSLベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-06-20T18:35:47Z)
• Description-Enhanced Label Embedding Contrastive Learning for Text Classification [65.01077813330559]
  モデル学習プロセスにおける自己監督型学習(SSL)と新しい自己監督型関係関係(R2)分類タスクの設計 テキスト分類とR2分類を最適化対象として扱うテキスト分類のための関係学習ネットワーク(R2-Net)の関係について検討する。 ラベルセマンティックラーニングのためのマルチアスペクト記述を得るためのWordNetからの外部知識。
  論文  参考訳（メタデータ） (2023-06-15T02:19:34Z)
• Exploring Structured Semantic Prior for Multi Label Recognition with Incomplete Labels [60.675714333081466]
  不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。 最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。 我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
  論文  参考訳（メタデータ） (2023-03-23T12:39:20Z)
• SSDL: Self-Supervised Dictionary Learning [20.925371262076744]
  本稿では,この課題に対処するために,自己教師付き辞書学習(SSDL)フレームワークを提案する。 具体的には,まず,Laplacian Attention Hypergraph Learningブロックをプレテキストタスクとして設計し,DLの擬似ソフトラベルを生成する。 次に、擬似ラベルを用いて、一次ラベル埋め込みDL法から辞書を訓練する。
  論文  参考訳（メタデータ） (2021-12-03T08:55:08Z)
• Discriminative Dictionary Learning based on Statistical Methods [0.0]
  信号やデータのスパース表現(SR)は厳密な数学的誤り境界と証明を持つ十分に確立された理論を持つ。 最小損失の信号群を表現した辞書を辞書学習(DL)という。 MODとK-SVDは、画像「デノイング」や「インペインティング」といった画像処理における再構成ベースの応用に成功している。
  論文  参考訳（メタデータ） (2021-11-17T10:45:10Z)
• Deep Semantic Dictionary Learning for Multi-label Image Classification [3.3989824361632337]
  本稿では,辞書学習課題であるマルチラベル画像分類の解法に向けて,革新的な方法を提案する。 Deep Semantic Dictionary Learning(DSDL)という新しいエンドツーエンドモデルが設計されている。 コードとモデルを公開しました。
  論文  参考訳（メタデータ） (2020-12-23T06:22:47Z)
• R$^2$-Net: Relation of Relation Learning Network for Sentence Semantic Matching [58.72111690643359]
  文意味マッチングのための関係学習ネットワーク(R2-Net)を提案する。 最初にBERTを使用して、グローバルな視点から入力文をエンコードします。 次に、cnnベースのエンコーダは、ローカルな視点からキーワードやフレーズ情報をキャプチャするように設計されている。 関係情報抽出にラベルを十分に活用するために,関係分類タスクの自己教師付き関係性を導入する。
  論文  参考訳（メタデータ） (2020-12-16T13:11:30Z)
• SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
  我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。 まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。 次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
  論文  参考訳（メタデータ） (2020-11-20T08:26:10Z)
• PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
  ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。 提案手法の有効性を,低データと高データの両方において示す。
  論文  参考訳（メタデータ） (2020-10-19T17:59:30Z)
• Semi-supervised dictionary learning with graph regularization and active points [0.19947949439280027]
  2つの柱に基づく辞書学習手法を提案する。 一方、元のデータから局所線形埋め込みを用いたスパース符号空間に多様体構造保存を強制する。 一方、スパース符号空間における半教師付き分類器を訓練する。
  論文  参考訳（メタデータ） (2020-09-13T09:24:51Z)
• Learning efficient structured dictionary for image classification [11.45863364570225]
  本稿では,トレーニングサンプルの多様性とラベル情報の両方を考慮に入れた,効率的な構造化辞書学習手法を提案する。 ベンチマークデータベースによる実験結果から,ESDLは従来の辞書学習手法よりも優れていることがわかった。 さらに重要なことに、ESDLは幅広いパターン分類タスクに適用できる。
  論文  参考訳（メタデータ） (2020-02-09T03:12:49Z)

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。