論文の概要: Improving Classification Accuracy with Graph Filtering
- arxiv url: http://arxiv.org/abs/2101.04789v2
- Date: Mon, 25 Jan 2021 18:24:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 01:51:59.500377
- Title: Improving Classification Accuracy with Graph Filtering
- Title（参考訳）: グラフフィルタリングによる分類精度の向上
- Authors: Mounia Hamidouche, Carlos Lassance, Yuqing Hu, Lucas Drumetz, Bastien
Pasdeloup, Vincent Gripon
- Abstract要約: 提案されたグラフフィルタリング手法は、平均を維持しながらクラス内分散を減らす効果があることを示した。
本手法は一般にすべての分類問題に適用されるが,クラス内ノイズが小さいサンプル選択に大きく影響しうる場合において特に有用である。
- 参考スコア（独自算出の注目度）: 9.153817737157366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In machine learning, classifiers are typically susceptible to noise in the
training data. In this work, we aim at reducing intra-class noise with the help
of graph filtering to improve the classification performance. Considered graphs
are obtained by connecting samples of the training set that belong to a same
class depending on the similarity of their representation in a latent space. We
show that the proposed graph filtering methodology has the effect of
asymptotically reducing intra-class variance, while maintaining the mean. While
our approach applies to all classification problems in general, it is
particularly useful in few-shot settings, where intra-class noise can have a
huge impact due to the small sample selection. Using standardized benchmarks in
the field of vision, we empirically demonstrate the ability of the proposed
method to slightly improve state-of-the-art results in both cases of few-shot
and standard classification.
- Abstract（参考訳）: 機械学習では、分類器は通常、トレーニングデータのノイズに影響を受けやすい。
本研究では,クラス内雑音を低減し,グラフフィルタリングを用いて分類性能を向上させることを目的とする。
考慮されたグラフは、潜在空間におけるそれらの表現の類似性に応じて同じクラスに属するトレーニング集合のサンプルを接続することによって得られる。
提案手法は,クラス内分散を漸近的に減少させながら平均値を維持したグラフフィルタリング手法である。
本手法は一般にすべての分類問題に適用されるが,クラス内ノイズが小さいサンプル選択に大きく影響しうる場合において特に有用である。
視覚の分野における標準化されたベンチマークを用いて,提案手法は,少数ショットと標準分類の両方の場合において,最先端の結果をわずかに改善する能力を実証的に実証した。
関連論文リスト
- Rethinking the impact of noisy labels in graph classification: A utility and privacy perspective [5.562183488165933]
データプライバシとモデルユーティリティの観点から,ノイズラベルがグラフ分類に与える影響を測定した。
雑音ラベル付きグラフ分類を用いた頑健なグラフニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2024-06-11T14:44:37Z) - Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。
本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。
そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
論文 参考訳（メタデータ） (2023-12-07T18:37:43Z) - Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2023-09-01T11:15:50Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T14:49:59Z) - Fine-Grained Visual Classification using Self Assessment Classifier [12.596520707449027]
識別的特徴の抽出は、きめ細かい視覚的分類タスクにおいて重要な役割を担っている。
本稿では,画像とトップkの予測クラスを同時に活用する自己評価手法を提案する。
本手法は,CUB200-2011,Stanford Dog,FGVC Aircraft のデータセットに対して,最新の結果が得られることを示す。
論文 参考訳（メタデータ） (2022-05-21T07:41:27Z) - Exploring Category-correlated Feature for Few-shot Image Classification [27.13708881431794]
本稿では,従来の知識として,新しいクラスとベースクラスのカテゴリ相関を探索し,シンプルで効果的な特徴補正手法を提案する。
提案手法は, 広く使用されている3つのベンチマークにおいて, 一定の性能向上が得られる。
論文 参考訳（メタデータ） (2021-12-14T08:25:24Z) - Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。
プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。
我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文 参考訳（メタデータ） (2021-10-22T01:55:01Z) - Boosting few-shot classification with view-learnable contrastive
learning [19.801016732390064]
埋め込み空間の細粒度構造を学習するために,数ショットの分類に対照的な損失を導入する。
我々は,同じ画像の異なるビューを自動的に生成する学習学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-07-20T03:13:33Z) - Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。
本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。
提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
論文 参考訳（メタデータ） (2021-05-01T13:19:02Z) - Learning and Evaluating Representations for Deep One-class
Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。
まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。
実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文 参考訳（メタデータ） (2020-11-04T23:33:41Z)
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。