論文の概要: Noisy Labels for Weakly Supervised Gamma Hadron Classification
- arxiv url: http://arxiv.org/abs/2108.13396v1
- Date: Mon, 30 Aug 2021 17:38:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-31 14:18:14.005886
- Title: Noisy Labels for Weakly Supervised Gamma Hadron Classification
- Title（参考訳）: 弱教師付きガンマハドロン分類のためのノイズラベル
- Authors: Lukas Pfahler, Mirko Bunse, Katharina Morik
- Abstract要約: 我々は、実望遠鏡で記録されたラベルなしデータのみを使用するノイズラベルアプローチを用いて、ガンマハドロン分類を解決することを提案する。
ノイズラベルにのみ訓練されているにもかかわらず,検出の重要度に基づくモデルが最先端の結果をもたらすことを示す。
- 参考スコア（独自算出の注目度）: 9.249443355045967
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gamma hadron classification, a central machine learning task in gamma ray
astronomy, is conventionally tackled with supervised learning. However, the
supervised approach requires annotated training data to be produced in
sophisticated and costly simulations. We propose to instead solve gamma hadron
classification with a noisy label approach that only uses unlabeled data
recorded by the real telescope. To this end, we employ the significance of
detection as a learning criterion which addresses this form of weak
supervision. We show that models which are based on the significance of
detection deliver state-of-the-art results, despite being exclusively trained
with noisy labels; put differently, our models do not require the costly
simulated ground-truth labels that astronomers otherwise employ for classifier
training. Our weakly supervised models exhibit competitive performances also on
imbalanced data sets that stem from a variety of other application domains. In
contrast to existing work on class-conditional label noise, we assume that only
one of the class-wise noise rates is known.
- Abstract（参考訳）: ガンマ線天文学の中心となる機械学習タスクであるガンマハドロン分類は、従来は教師付き学習で取り組まれている。
しかし、教師付きアプローチでは、高度でコストのかかるシミュレーションで、注釈付きトレーニングデータを生成する必要がある。
本研究では、実際の望遠鏡で記録されたラベルなしデータのみを使用するノイズラベル方式でガンマハドロン分類を解くことを提案する。
この目的のために,我々は,この弱い監視形式に対処する学習基準として,検出の意義を用いる。
我々は,検出の重要性に基づくモデルが,ノイズラベルにのみ訓練されているにもかかわらず,最先端の結果をもたらすことを示す。
我々の弱教師付きモデルは、他の様々なアプリケーションドメインに由来する不均衡データセットでも競争性能を示す。
クラス条件ラベルノイズに関する既存の研究とは対照的に、クラスレベルのノイズレートの1つのみが知られていると仮定する。
関連論文リスト
- Learning Discriminative Dynamics with Label Corruption for Noisy Label Detection [25.55455239006278]
トレーニング信号のダイナミクスに基づいて,誤ラベル付きインスタンスと正しくラベル付けされたインスタンスを識別するDynaCorフレームワークを提案する。
我々の総合的な実験により、DynaCorは最先端のライバルより優れており、様々なノイズタイプやノイズレートに対して強い堅牢性を示している。
論文 参考訳（メタデータ） (2024-05-30T10:06:06Z) - Virtual Category Learning: A Semi-Supervised Learning Method for Dense
Prediction with Extremely Limited Labels [63.16824565919966]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。
仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。
私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
論文 参考訳（メタデータ） (2023-12-02T16:23:52Z) - Soft Curriculum for Learning Conditional GANs with Noisy-Labeled and
Uncurated Unlabeled Data [70.25049762295193]
本稿では,トレーニング中にノイズラベル付きおよび未処理データを受け入れる条件付き画像生成フレームワークを提案する。
本稿では,ラベルのないデータに新たなラベルを割り当てながら,逆行訓練にインスタンスワイドを割り当てるソフトカリキュラム学習を提案する。
実験により,本手法は,定量および定性性能の両面において,既存の半教師付き・ラベル付きロバストな手法より優れていることが示された。
論文 参考訳（メタデータ） (2023-07-17T08:31:59Z) - Learning with Noisy Labels through Learnable Weighting and Centroid Similarity [5.187216033152917]
ノイズラベルは、医学診断や自律運転などの領域で一般的である。
本稿では,雑音ラベルの存在下で機械学習モデルを訓練するための新しい手法を提案する。
以上の結果から,本手法は既存の最先端技術よりも一貫して優れていることがわかった。
論文 参考訳（メタデータ） (2023-03-16T16:43:24Z) - Semi-supervised Object Detection via Virtual Category Learning [68.26956850996976]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。
具体的には、各混乱したサンプルに仮想圏(VC)が割り当てられる。
トレーニングサンプルと仮想カテゴリの間の埋め込み距離を指定することに起因する。
論文 参考訳（メタデータ） (2022-07-07T16:59:53Z) - S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
本稿では,ラベルノイズの存在下での分類の問題に対処する。
提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。
提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
論文 参考訳（メタデータ） (2021-11-22T15:49:20Z) - Unsupervised Learning Architecture for Classifying the Transient Noise
of Interferometric Gravitational-wave Detectors [2.8555963243398073]
非定常・非ガウス的特徴を持つ過渡雑音は高い速度で発生する。
過渡雑音の分類は、その起源を探索し、検出器の性能を向上させる手がかりを与えることができる。
本研究では,過渡雑音の分類のための教師なし学習アーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-11-19T05:37:06Z) - 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) - Ensemble Learning with Manifold-Based Data Splitting for Noisy Label
Correction [20.401661156102897]
トレーニングデータのノイズラベルは モデルの一般化性能を著しく低下させる
特徴多様体の局所構造を利用して雑音ラベルを補正するアンサンブル学習法を提案する。
実世界の雑音ラベルデータセットに関する実験では,提案手法が既存手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2021-03-13T07:24:58Z) - Robustness of Accuracy Metric and its Inspirations in Learning with
Noisy Labels [51.66448070984615]
十分な数の雑音サンプルに対してトレーニング精度を最大化すると,ほぼ最適な分類器が得られることを示す。
検証のために、ノイズの多い検証セットが信頼できることを証明し、モデル選択のクリティカルな要求に対処する。
理論結果に動機づけられて,ノイズラベルをトレーニングしたモデルの特徴付けを行い,ノイズ検証セットの有用性を検証する。
論文 参考訳（メタデータ） (2020-12-08T03:37:47Z) - A Survey on Deep Learning with Noisy Labels: How to train your model
when you cannot trust on the annotations? [21.562089974755125]
ノイズラベルの存在下でのディープラーニングモデルのトレーニングを改善するために,いくつかのアプローチが提案されている。
本稿では,ロバストな損失,サンプル重み付け,サンプル選択,メタラーニング,組み合わせアプローチの3つのグループでアルゴリズムを分類する。
論文 参考訳（メタデータ） (2020-12-05T15:45:20Z)
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。