論文の概要: CCMN: A General Framework for Learning with Class-Conditional
Multi-Label Noise
- arxiv url: http://arxiv.org/abs/2105.07338v1
- Date: Sun, 16 May 2021 03:24:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 14:39:39.046976
- Title: CCMN: A General Framework for Learning with Class-Conditional
Multi-Label Noise
- Title（参考訳）: ccmn : クラス条件付きマルチラベル雑音学習のための汎用フレームワーク
- Authors: Ming-Kun Xie and Sheng-Jun Huang
- Abstract要約: クラス条件ノイズは一般的に機械学習タスクに存在し、クラスラベルは基底値に応じて確率で破壊される。
本稿では,この問題をCCMN(Class-Conditional Multi-label Noise)を用いた学習の一般的な枠組みとして形式化する。
我々は,ccmn問題を解くための誤差境界を持つ2つの非バイアス推定器を確立し,これらが一般的なマルチラベル損失関数と一致することを証明した。
- 参考スコア（独自算出の注目度）: 40.46921277898713
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Class-conditional noise commonly exists in machine learning tasks, where the
class label is corrupted with a probability depending on its ground-truth. Many
research efforts have been made to improve the model robustness against the
class-conditional noise. However, they typically focus on the single label case
by assuming that only one label is corrupted. In real applications, an instance
is usually associated with multiple labels, which could be corrupted
simultaneously with their respective conditional probabilities. In this paper,
we formalize this problem as a general framework of learning with
Class-Conditional Multi-label Noise (CCMN for short). We establish two unbiased
estimators with error bounds for solving the CCMN problems, and further prove
that they are consistent with commonly used multi-label loss functions.
Finally, a new method for partial multi-label learning is implemented with
unbiased estimator under the CCMN framework. Empirical studies on multiple
datasets and various evaluation metrics validate the effectiveness of the
proposed method.
- Abstract（参考訳）: クラス条件ノイズは一般的に機械学習タスクに存在し、クラスラベルは基底値に応じて確率で破壊される。
クラス条件雑音に対するモデルのロバスト性を改善するための研究が数多く行われている。
しかし、通常は単一のラベルケースに焦点を合わせ、1つのラベルだけが破損していると仮定する。
実アプリケーションでは、インスタンスは通常複数のラベルに関連付けられ、それぞれの条件確率と同時に破損する可能性がある。
本稿では,この問題をCCMN(Class-Conditional Multi-label Noise)を用いた学習の一般的な枠組みとして定式化する。
我々は,ccmn問題を解くための誤差境界付き非バイアス推定器を2つ確立し,これらが一般に用いられるマルチラベル損失関数と整合性があることをさらに証明した。
最後に,ccmnの枠組みにより,非偏差推定器を用いて部分的マルチラベル学習を行う新しい手法を実装した。
複数のデータセットと各種評価指標に関する実証研究により,提案手法の有効性が検証された。
関連論文リスト
- Multi-Label Quantification [78.83284164605473]
定量化とは、教師なしデータサンプルにおいて、興味あるクラスの相対周波数の予測子を生成する教師付き学習課題である。
本研究では,その相対頻度をより正確に予測するために,興味あるクラス間の依存関係を活用しようとするクラス有病率値の推定手法を提案する。
論文 参考訳（メタデータ） (2022-11-15T11:29:59Z) - Label-Noise Learning with Intrinsically Long-Tailed Data [65.41318436799993]
本稿では,本質的な長期データを用いたラベルノイズ学習のための学習フレームワークを提案する。
具体的には, 2段階の2次元試料選択法(TABASCO)を提案する。
論文 参考訳（メタデータ） (2022-08-21T07:47:05Z) - Multi-class Probabilistic Bounds for Self-learning [13.875239300089861]
Pseudo-labelingはエラーを起こしやすいため、ラベルなしのトレーニングデータにノイズのあるラベルを追加するリスクがある。
本稿では,多クラス分類シナリオにおける自己学習を部分的にラベル付きデータで分析する確率的枠組みを提案する。
論文 参考訳（メタデータ） (2021-09-29T13:57:37Z) - Unbiased Loss Functions for Multilabel Classification with Missing
Labels [2.1549398927094874]
欠落ラベルは、極端なマルチラベル分類(XMC)タスクにおいてユビキタスな現象である。
本稿では,異なるマルチラベルリダクションに対する特異な非バイアス推定器を導出する。
論文 参考訳（メタデータ） (2021-09-23T10:39:02Z) - PLM: Partial Label Masking for Imbalanced Multi-label Classification [59.68444804243782]
長いラベルの分布を持つ実世界のデータセットで訓練されたニューラルネットワークは、頻繁なクラスに偏りがあり、頻繁なクラスでは不十分である。
本稿では,この比率を利用したPLM(Partial Label Masking)を提案する。
本手法は,マルチラベル (MultiMNIST と MSCOCO) とシングルラベル (CIFAR-10 と CIFAR-100) の2つの画像分類データセットにおいて,既存の手法と比較して高い性能を実現する。
論文 参考訳（メタデータ） (2021-05-22T18:07:56Z) - Approximating Instance-Dependent Noise via Instance-Confidence Embedding [87.65718705642819]
マルチクラス分類におけるラベルノイズは、学習システムの展開にとって大きな障害である。
インスタンス依存ノイズ(IDN)モデルを調査し、IDNの効率的な近似を提案し、インスタンス固有のラベル破損を捕捉する。
論文 参考訳（メタデータ） (2021-03-25T02:33:30Z) - A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。
人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
論文 参考訳（メタデータ） (2020-12-22T06:36:58Z)
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。