論文の概要: Bayesian Semi-supervised Crowdsourcing

• arxiv url: http://arxiv.org/abs/2012.11048v1
• Date: Sun, 20 Dec 2020 23:18:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 04:45:33.755113
• Title: Bayesian Semi-supervised Crowdsourcing
• Title（参考訳）: ベイジアン半監督型クラウドソーシング
• Authors: Panagiotis A. Traganitis and Georgios B. Giannakis
• Abstract要約: クラウドソーシングは、大規模なデータセットを効率的にラベル付けし、さまざまな学習タスクを実行するための強力なパラダイムとして登場した。 この研究は、半スーパービジョンの2つの体制の下で、半教師付きクラウドソース分類を扱う。
• 参考スコア（独自算出の注目度）: 71.20185379303479
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crowdsourcing has emerged as a powerful paradigm for efficiently labeling large datasets and performing various learning tasks, by leveraging crowds of human annotators. When additional information is available about the data, semi-supervised crowdsourcing approaches that enhance the aggregation of labels from human annotators are well motivated. This work deals with semi-supervised crowdsourced classification, under two regimes of semi-supervision: a) label constraints, that provide ground-truth labels for a subset of data; and b) potentially easier to obtain instance-level constraints, that indicate relationships between pairs of data. Bayesian algorithms based on variational inference are developed for each regime, and their quantifiably improved performance, compared to unsupervised crowdsourcing, is analytically and empirically validated on several crowdsourcing datasets.
• Abstract（参考訳）: クラウドソーシング(crowdsourcing)は、巨大なデータセットを効率的にラベル付けし、さまざまな学習タスクを実行するための強力なパラダイムとして登場した。 データに関する追加情報が得られると、人間の注釈からラベルを集約する半教師型クラウドソーシングアプローチが動機付けされる。 この研究は、半監督的なクラウドソースの分類を扱うもので、a) データのサブセットに対して基調ラベルを提供するラベル制約と、b) データのペア間の関係を示すインスタンスレベルの制約を得るのが簡単である。 変分推論に基づくベイズアルゴリズムは各制度ごとに開発され、その量的に改善された性能は、監督されていないクラウドソーシングと比較して分析的かつ経験的に複数のクラウドソーシングデータセットで検証される。

関連論文リスト

• A Dataset for the Validation of Truth Inference Algorithms Suitable for Online Deployment [76.04306818209753]
  実世界のクラウドソーシングプラットフォームから収集した,実質的なクラウドソーシングアノテーションデータセットを紹介する。 このデータセットは、約2万のワーカー、100万のタスク、600万のアノテーションで構成されている。 本データセットにおけるいくつかの代表的真理推論アルゴリズムの有効性を評価する。
  論文  参考訳（メタデータ） (2024-03-10T16:00:41Z)
• Semi-supervised Semantic Segmentation via Boosting Uncertainty on Unlabeled Data [6.318105712690353]
  トレーニングデータセットにおけるラベル付き分布とラベルなし分布の分析を行う。 本稿では2つの戦略を提案し,特に半教師付きセマンティックセグメンテーションのための不確実性ブースターアルゴリズムを設計する。 提案手法は,従来の半教師付きセマンティックセグメンテーション法と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-11-30T18:01:03Z)
• Weakly Supervised Video Anomaly Detection Based on Cross-Batch Clustering Guidance [39.43891080713327]
  ビデオレベルのラベルのみをトレーニングできるため、弱教師付きビデオ異常検出(WSVAD)は難しい課題である。 本稿では,クロスバッチクラスタリングガイダンスに基づく新しいWSVAD手法を提案する。
  論文  参考訳（メタデータ） (2022-12-16T14:38:30Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• Improving Contrastive Learning on Imbalanced Seed Data via Open-World Sampling [96.8742582581744]
  我々は、Model-Aware K-center (MAK)と呼ばれるオープンワールドなラベルなしデータサンプリングフレームワークを提案する。 MAKは、尾性、近接性、多様性の3つの単純な原則に従う。 我々はMAKが学習した機能の全体的な表現品質とクラスバランス性の両方を継続的に改善できることを実証した。
  論文  参考訳（メタデータ） (2021-11-01T15:09:41Z)
• On Releasing Annotator-Level Labels and Information in Datasets [6.546195629698355]
  ラベルアグリゲーションは,個人的視点とグループ的視点の表現バイアスをもたらす可能性があることを示す。 下流のユースケースに対するデータセットの有用性と透明性を高めるための推奨事項を提案する。
  論文  参考訳（メタデータ） (2021-10-12T02:35:45Z)
• Deep Clustering based Fair Outlier Detection [19.601280507914325]
  本稿では,統合深層クラスタリングと外乱検出を強化するために,インスタンスレベルの重み付き表現学習戦略を提案する。 我々のDCFOD法は, 異常検出において, 異常検出の妥当性と2種類のフェアネス概念の両面において, 常に優れた性能を達成している。
  論文  参考訳（メタデータ） (2021-06-09T15:12:26Z)
• Learning to Count in the Crowd from Limited Labeled Data [109.2954525909007]
  我々は,限られた数のラベル付きサンプルから参加者を数えることを学ぶことで,アノテーションの努力を減らすことに重点を置いている。 具体的には,未ラベルデータに対する擬似地下真理推定を含むガウス過程に基づく反復学習機構を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:17:01Z)

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。