論文の概要: Beyond Categorical Label Representations for Image Classification

• arxiv url: http://arxiv.org/abs/2104.02226v1
• Date: Tue, 6 Apr 2021 01:31:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-07 14:27:39.019059
• Title: Beyond Categorical Label Representations for Image Classification
• Title（参考訳）: 画像分類のための分類的ラベル表現
• Authors: Boyuan Chen, Yu Li, Sunand Raghupathi, Hod Lipson
• Abstract要約: データラベルの表現方法を選択することで、トレーニングされたモデルの品質に大きな影響を与えることが分かっています。 実験の結果,高次元高エントロピーラベルはテキスト(カテゴリー)ラベルに匹敵する精度が得られることがわかった。 これらの結果はラベル表現が以前考えられていたよりも重要な役割を担っていることを示唆している。
• 参考スコア（独自算出の注目度）: 17.538038034601005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We find that the way we choose to represent data labels can have a profound effect on the quality of trained models. For example, training an image classifier to regress audio labels rather than traditional categorical probabilities produces a more reliable classification. This result is surprising, considering that audio labels are more complex than simpler numerical probabilities or text. We hypothesize that high dimensional, high entropy label representations are generally more useful because they provide a stronger error signal. We support this hypothesis with evidence from various label representations including constant matrices, spectrograms, shuffled spectrograms, Gaussian mixtures, and uniform random matrices of various dimensionalities. Our experiments reveal that high dimensional, high entropy labels achieve comparable accuracy to text (categorical) labels on the standard image classification task, but features learned through our label representations exhibit more robustness under various adversarial attacks and better effectiveness with a limited amount of training data. These results suggest that label representation may play a more important role than previously thought. The project website is at \url{https://www.creativemachineslab.com/label-representation.html}.
• Abstract（参考訳）: データラベルの表現方法を選択することで、トレーニングされたモデルの品質に大きな影響を与えることが分かりました。 例えば、画像分類器を訓練して、従来の分類的確率ではなくオーディオラベルを回帰させると、より信頼性の高い分類が得られる。 この結果は、音声ラベルが単純な数値確率やテキストよりも複雑であることを考えると驚きである。 高次元、高エントロピーラベル表現は、より強いエラー信号を提供するため、一般的により有用であると仮定する。 この仮説は、定数行列、スペクトログラム、シャッフルスペクトル、ガウス混合、および様々な次元の均一ランダム行列を含む様々なラベル表現から証拠を得て支持する。 実験の結果, 高次元高エントロピーラベルは, 標準的な画像分類タスクにおけるテキスト(カテゴリ)ラベルと同等の精度が得られることがわかった。 これらの結果はラベル表現が以前考えられていたよりも重要な役割を担っていることを示唆している。 プロジェクトのウェブサイトは \url{https://www.creativemachineslab.com/label-representation.html} にある。

関連論文リスト

• Towards Imbalanced Large Scale Multi-label Classification with Partially Annotated Labels [8.977819892091]
  マルチラベル分類は、複数のクラスにインスタンスを関連付けることができる日常生活において、広く発生する問題である。 本研究では,ラベルの不均衡の問題に対処し,部分ラベルを用いたニューラルネットワークのトレーニング方法について検討する。
  論文  参考訳（メタデータ） (2023-07-31T21:50:48Z)
• 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)
• Multi-label Classification with High-rank and High-order Label Correlations [62.39748565407201]
  従来の手法では, ラベル行列を低ランク行列係数化した潜在ラベル空間に変換することにより, 高階ラベル相関を捕えることができた。 本稿では,高次ラベル相関を明示的に記述する簡易かつ効果的な手法を提案し,同時にラベル行列の高次値を維持する。 12個のベンチマークデータセットの比較研究により,マルチラベル分類における提案アルゴリズムの有効性が検証された。
  論文  参考訳（メタデータ） (2022-07-09T05:15:31Z)
• Graph Attention Transformer Network for Multi-Label Image Classification [50.0297353509294]
  複雑なラベル間関係を効果的にマイニングできる多ラベル画像分類のための一般的なフレームワークを提案する。 提案手法は3つのデータセット上で最先端の性能を実現することができる。
  論文  参考訳（メタデータ） (2022-03-08T12:39:05Z)
• Multi-Label Learning from Single Positive Labels [37.17676289125165]
  与えられた画像に対して適用可能なラベルを全て予測することは、マルチラベル分類(multi-label classification)として知られている。 その結果,ラベルの確認が著しく少ないにもかかわらず,完全ラベル付き分類器の性能にアプローチできることが示唆された。
  論文  参考訳（メタデータ） (2021-06-17T17:58:04Z)
• Label Confusion Learning to Enhance Text Classification Models [3.0251266104313643]
  ラベル混乱モデル(lcm)はラベル間の意味的重複を捉えるためにラベル混乱を学習する。 lcmは、元のホットラベルベクトルを置き換えるより優れたラベル分布を生成することができる。 5つのテキスト分類ベンチマークデータセットの実験により、広く使われているディープラーニング分類モデルに対するLCMの有効性が明らかにされた。
  論文  参考訳（メタデータ） (2020-12-09T11:34:35Z)
• 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)
• Exploiting Context for Robustness to Label Noise in Active Learning [47.341705184013804]
  本稿では,どのラベルが間違っているのかをシステムがどのように識別するか,ラベルノイズの負の影響を最小限に抑えるために,マルチクラスアクティブラーニングシステムをどのように適用できるか,といった課題に対処する。 我々は、これらの関係を符号化し、ノイズラベルが利用できる場合にグラフ上の新しい信念を得るために、ラベルなしデータのグラフィカルな表現を構築した。 これはシーン分類、アクティビティ分類、文書分類の3つの異なる応用で実証されている。
  論文  参考訳（メタデータ） (2020-10-18T18:59:44Z)
• Debiased Contrastive Learning [64.98602526764599]
  我々は,同ラベルデータポイントのサンプリングを補正する,偏りのあるコントラスト目的の開発を行う。 実証的に、提案する目的は、視覚、言語、強化学習ベンチマークにおける表現学習の最先端を一貫して上回る。
  論文  参考訳（メタデータ） (2020-07-01T04:25:24Z)

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。