論文の概要: Evaluating Multi-label Classifiers with Noisy Labels

• arxiv url: http://arxiv.org/abs/2102.08427v1
• Date: Tue, 16 Feb 2021 19:50:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-18 19:09:29.232597
• Title: Evaluating Multi-label Classifiers with Noisy Labels
• Title（参考訳）: 雑音ラベルを用いたマルチラベル分類器の評価
• Authors: Wenting Zhao, Carla Gomes
• Abstract要約: 実世界では、クリーンなデータセットよりもノイズの多いデータセットを扱う方が一般的です。 雑音ラベルを効果的に処理するコンテキストベースマルチラベル分類器(CbMLC)を提案する。 CbMLCは、ほとんどの場合、以前の方法よりも大幅に改善されています。
• 参考スコア（独自算出の注目度）: 0.7868449549351487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-label classification (MLC) is a generalization of standard classification where multiple labels may be assigned to a given sample. In the real world, it is more common to deal with noisy datasets than clean datasets, given how modern datasets are labeled by a large group of annotators on crowdsourcing platforms, but little attention has been given to evaluating multi-label classifiers with noisy labels. Exploiting label correlations now becomes a standard component of a multi-label classifier to achieve competitive performance. However, this component makes the classifier more prone to poor generalization - it overfits labels as well as label dependencies. We identify three common real-world label noise scenarios and show how previous approaches per-form poorly with noisy labels. To address this issue, we present a Context-Based Multi-LabelClassifier (CbMLC) that effectively handles noisy labels when learning label dependencies, without requiring additional supervision. We compare CbMLC against other domain-specific state-of-the-art models on a variety of datasets, under both the clean and the noisy settings. We show CbMLC yields substantial improvements over the previous methods in most cases.
• Abstract（参考訳）: マルチラベル分類(MLC)は、与えられたサンプルに複数のラベルを割り当てることができる標準分類の一般化である。 現実の世界では、クラウドソーシングプラットフォーム上でアノテータの大規模なグループによって現代のデータセットがラベル付けされていることを考えると、クリーンデータセットよりもノイズの多いデータセットを扱うのが一般的だが、ノイズラベルを持つマルチラベル分類器の評価にはほとんど注意が払われていない。 ラベル相関を利用すると、競合性能を達成するためにマルチラベル分類器の標準コンポーネントとなる。 しかし、このコンポーネントは分類器を貧弱な一般化に陥れやすくし、ラベル依存だけでなくラベル依存にも過剰に適合する。 3つの実世界のラベルノイズシナリオを識別し,ノイズラベルによる単一フォーム毎の従来のアプローチの悪さを示す。 この問題に対処するために,ラベル依存を学習する際に雑音ラベルを効果的に処理するコンテキストベースマルチラベル分類器(cbmlc)を提案する。 クリーンな設定とノイズの多い設定の両方で、CbMLCをさまざまなデータセット上の他のドメイン固有の最新モデルと比較します。 CbMLCは、ほとんどの場合、以前の方法よりも大幅に改善されています。

関連論文リスト

• Label Cluster Chains for Multi-Label Classification [2.072831155509228]
  マルチラベル分類は、複数のラベルをインスタンスに同時に割り当てることができる教師付き機械学習の一種である。 そこで本稿では,ラベル空間に分割法を適用して得られた解離相関ラベルクラスタをチェーンする手法を提案する。 提案手法は,学習と連鎖が相関するラベルクラスタをよりよく探索し,ラベル相関を学習できることを示唆する。
  論文  参考訳（メタデータ） (2024-11-01T11:16:37Z)
• 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)
• Complementary to Multiple Labels: A Correlation-Aware Correction Approach [65.59584909436259]
  理論上, マルチクラスCLLにおける遷移行列が, 複数ラベルの場合どのように歪むかを示す。 候補ラベルから遷移行列を推定する2段階の手法を提案する。
  論文  参考訳（メタデータ） (2023-02-25T04:48:48Z)
• An Effective Approach for Multi-label Classification with Missing Labels [8.470008570115146]
  分類ネットワークにさらなる複雑さをもたらすことなく、アノテーションのコストを削減するための擬似ラベルベースのアプローチを提案する。 新たな損失関数を設計することにより、各インスタンスが少なくとも1つの正のラベルを含む必要があるという要求を緩和することができる。 提案手法は,正のラベルと負のラベルの不均衡を扱える一方で,既存の欠落ラベル学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-24T23:13:57Z)
• Large Loss Matters in Weakly Supervised Multi-Label Classification [50.262533546999045]
  まず、観測されていないラベルを負のラベルとみなし、Wタスクをノイズの多いマルチラベル分類にキャストする。 ノイズラベルを記憶しないために,大規模な損失サンプルを拒絶または補正する新しいW法を提案する。 提案手法は, 弱教師付きマルチラベル分類において, 大きな損失を適切に処理することが重要であることを検証した。
  論文  参考訳（メタデータ） (2022-06-08T08:30:24Z)
• Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [86.17081952197788]
  そこで我々は,未知のラベルを補うために,異なる画像にカテゴリ固有の表現をブレンドして,既知のラベルの情報を伝達することを提案する。 MS-COCO、Visual Genome、Pascal VOC 2007データセットの実験は、提案されたSARBフレームワークが、現在の主要な競合相手よりも優れたパフォーマンスを得ることを示している。
  論文  参考訳（メタデータ） (2022-03-04T07:56:16Z)
• Weakly Supervised Classification Using Group-Level Labels [12.285265254225166]
  本稿では,グループレベルのバイナリラベルを,インスタンスレベルのバイナリ分類モデルの訓練に弱い監督力として利用する手法を提案する。 グループレベルのラベルを個別のインスタンスに対してクラス条件ノイズ(CCN)ラベルとしてモデル化し,強ラベル付きインスタンスでトレーニングされたモデルの予測を正規化するためにノイズラベルを使用する。
  論文  参考訳（メタデータ） (2021-08-16T20:01:45Z)
• A Study on the Autoregressive and non-Autoregressive Multi-label Learning [77.11075863067131]
  本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。 したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
  論文  参考訳（メタデータ） (2020-12-03T05:41:44Z)
• Multi-Class Classification from Noisy-Similarity-Labeled Data [98.13491369929798]
  雑音に類似したラベル付きデータのみから学習する方法を提案する。 ノイズ遷移行列を用いて、クリーンデータとノイズデータの間にクラス後確率をブリッジする。 雑音のないクラスラベルをインスタンスに割り当てる新しい学習システムを構築した。
  論文  参考訳（メタデータ） (2020-02-16T05:10:21Z)

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。