論文の概要: From Weakly Supervised Learning to Biquality Learning: an Introduction

• arxiv url: http://arxiv.org/abs/2012.09632v3
• Date: Fri, 23 Apr 2021 17:49:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 02:52:47.192683
• Title: From Weakly Supervised Learning to Biquality Learning: an Introduction
• Title（参考訳）: 弱々しい教師付き学習から両品質学習へ : 序文
• Authors: Pierre Nodet, Vincent Lemaire, Alexis Bondu, Antoine Cornu\'ejols and Adam Ouorou
• Abstract要約: Weakly Supervised Learning(WSL)キューブの3軸を紹介します。 従来定義されていた立方体の座標として機能する3つの可測量を提案する。 本論文では,WSL文学における従来とは無関係なパッチを再発見する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.026249027950824504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The field of Weakly Supervised Learning (WSL) has recently seen a surge of popularity, with numerous papers addressing different types of "supervision deficiencies". In WSL use cases, a variety of situations exists where the collected "information" is imperfect. The paradigm of WSL attempts to list and cover these problems with associated solutions. In this paper, we review the research progress on WSL with the aim to make it as a brief introduction to this field. We present the three axis of WSL cube and an overview of most of all the elements of their facets. We propose three measurable quantities that acts as coordinates in the previously defined cube namely: Quality, Adaptability and Quantity of information. Thus we suggest that Biquality Learning framework can be defined as a plan of the WSL cube and propose to re-discover previously unrelated patches in WSL literature as a unified Biquality Learning literature.
• Abstract（参考訳）: Wakly Supervised Learning (WSL) の分野は最近、様々なタイプの「スーパービジョン欠陥」に対処する多くの論文で人気が高まっている。 WSLのユースケースでは、収集された"情報"が不完全であるさまざまな状況が存在します。 WSLのパラダイムは、これらの問題を関連するソリューションでリストし、カバーしようとするものです。 本稿では,WSL研究の進展を概観し,この分野の簡単な紹介として取り上げる。 本稿では、WSL立方体の3つの軸と、それらの面のすべての要素の概要を示す。 我々は,事前に定義されたキューブの座標として,品質,適応性,情報量という3つの測定可能な量を提案する。 そこで本稿では,WSL キューブの計画として Biquality Learning フレームワークが定義可能であることを示唆し,WSL 文学における以前に関係のないパッチを統一された Biquality Learning 文献として再発見することを提案する。

関連論文リスト

• Fine-Grained Zero-Shot Learning: Advances, Challenges, and Prospects [84.36935309169567]
  ゼロショット学習(ZSL)における微粒化解析の最近の進歩を概観する。 まず、各カテゴリの詳細な分析を行い、既存の手法と手法の分類について述べる。 次に、ベンチマークを要約し、公開データセット、モデル、実装、およびライブラリとしての詳細について説明する。
  論文  参考訳（メタデータ） (2024-01-31T11:51:24Z)
• NLPBench: Evaluating Large Language Models on Solving NLP Problems [41.01588131136101]
  大規模言語モデル(LLM)は、自然言語処理(NLP)の能力を高めることを約束している。 イェール大学の最終試験から得られた様々なNLPトピックにまたがる378の大学レベルのNLP質問を含む,ユニークなベンチマークデータセットであるNLPBenchを提案する。 GPT-3.5/4, PaLM-2, LLAMA-2などのLCMに着目した評価では, チェーン・オブ・シークレット(CoT)やツリー・オブ・シークレット(ToT)といった先進的なプロンプト戦略が取り入れられている。
  論文  参考訳（メタデータ） (2023-09-27T13:02:06Z)
• Self-Supervised Learning for Time Series Analysis: Taxonomy, Progress, and Prospects [84.6945070729684]
  自己教師付き学習(SSL)は、最近、様々な時系列タスクで印象的なパフォーマンスを達成した。 この記事では、時系列データに対する最先端のSSLメソッドについてレビューする。
  論文  参考訳（メタデータ） (2023-06-16T18:23:10Z)
• Self-Supervised Learning for Point Clouds Data: A Survey [8.858165912687923]
  自己監督学習(SSL)は、時間と労働集約的なデータラベリング問題を解決するための重要なソリューションであると考えられている。 本稿では,ポイントクラウドにおけるSSLの最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2023-05-09T08:47:09Z)
• A Survey on Self-supervised Learning: Algorithms, Applications, and Future Trends [82.64268080902742]
  自己教師付き学習(SSL)は、ラベル付きラベルを頼らずにラベル付きデータから識別的特徴を学習することを目的としている。 SSLは最近大きな注目を集め、多くの関連するアルゴリズムの開発に繋がった。 本稿では,アルゴリズム的側面,アプリケーション領域,3つの重要なトレンド,オープンな研究課題を含む,多様なSSL手法のレビューを行う。
  論文  参考訳（メタデータ） (2023-01-13T14:41:05Z)
• Multi-level Contrastive Learning for Cross-lingual Spoken Language Understanding [90.87454350016121]
  コントラスト学習のための難解なサンプルを, あらゆるレベルで生成するコードスイッチング手法を開発した。 言語間知識伝達にラベルセマンティクスを利用するラベル認識ジョイントモデルを開発した。
  論文  参考訳（メタデータ） (2022-05-07T13:44:28Z)
• Audio Self-supervised Learning: A Survey [60.41768569891083]
  SSL(Self-Supervised Learning)は、人間のアノテーションを必要とせずに、大規模データから一般的な表現を見つけることを目的としている。 コンピュータビジョンと自然言語処理の分野での成功により、近年では音声処理や音声処理の分野で採用されている。
  論文  参考訳（メタデータ） (2022-03-02T15:58:29Z)
• Self-supervised on Graphs: Contrastive, Generative,or Predictive [25.679620842010422]
  SSL(Self-supervised Learning)は、よく設計されたプリテキストタスクを通じて有益な知識を抽出するための新しいパラダイムとして登場しています。 既存のグラフSSLメソッドは、コントラスト、生成、予測の3つのカテゴリに分けられる。 また、一般的なデータセット、評価メトリクス、下流タスク、さまざまなアルゴリズムのオープンソース実装をまとめています。
  論文  参考訳（メタデータ） (2021-05-16T03:30:03Z)
• A Review of Generalized Zero-Shot Learning Methods [31.539434340951786]
  汎用ゼロショット学習(GZSL)は、教師付き学習において、いくつかの出力クラスが未知である条件下でデータサンプルを分類するモデルを訓練することを目的としている。 GZSLは、見た(ソース)クラスと見えない(ターゲット)クラスのセマンティック情報を活用して、見えないクラスと見えないクラスのギャップを埋める。
  論文  参考訳（メタデータ） (2020-11-17T14:00:30Z)
• Interventional Few-Shot Learning [88.31112565383457]
  本稿では,新しいFew-Shot Learningパラダイム,Interventional Few-Shot Learningを提案する。 コードはhttps://github.com/yue-zhongqi/ifsl.comで公開されている。
  論文  参考訳（メタデータ） (2020-09-28T01:16:54Z)

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。