論文の概要: Nuisance-Label Supervision: Robustness Improvement by Free Labels

• arxiv url: http://arxiv.org/abs/2110.07118v1
• Date: Thu, 14 Oct 2021 02:07:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-15 14:49:32.503951
• Title: Nuisance-Label Supervision: Robustness Improvement by Free Labels
• Title（参考訳）: Nuisance-Label Supervision:自由ラベルによるロバスト性向上
• Authors: Xinyue Wei, Weichao Qiu, Yi Zhang, Zihao Xiao, Alan Yuille
• Abstract要約: 本稿では,Nuisance-label Supervision (NLS) モジュールを提案する。 実験では、画像の劣化に対する頑健さと行動認識の外観変化が一貫した改善を示す。
• 参考スコア（独自算出の注目度）: 14.711384503643995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a Nuisance-label Supervision (NLS) module, which can make models more robust to nuisance factor variations. Nuisance factors are those irrelevant to a task, and an ideal model should be invariant to them. For example, an activity recognition model should perform consistently regardless of the change of clothes and background. But our experiments show existing models are far from this capability. So we explicitly supervise a model with nuisance labels to make extracted features less dependent on nuisance factors. Although the values of nuisance factors are rarely annotated, we demonstrate that besides existing annotations, nuisance labels can be acquired freely from data augmentation and synthetic data. Experiments show consistent improvement in robustness towards image corruption and appearance change in action recognition.
• Abstract（参考訳）: 本稿では,Nuisance-label Supervision(NLS)モジュールを提案する。 ニュアンス因子はタスクに無関係な要素であり、理想的なモデルはそれらに不変であるべきである。 例えば、アクティビティ認識モデルは、服や背景の変化に関係なく一貫して実行されるべきです。 しかし、実験によると、既存のモデルはこの能力に遠く及ばない。 そこで,抽出した特徴がニュアンス因子に依存しないように,ニュアンスラベル付きモデルを明示的に監督する。 ニュアンス因子の値はアノテートされることはほとんどないが,既存のアノテーション以外に,データ拡張や合成データからニュアンスラベルを自由に取得できることが実証されている。 実験では,行動認識における画像破壊と外観変化に対するロバスト性が一貫した改善を示す。

関連論文リスト

• Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
  信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。 本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T09:16:56Z)
• Perceptual Quality-based Model Training under Annotator Label Uncertainty [15.015925663078377]
  アノテーションは、アノテータラベルの不確実性と呼ばれるデータラベリング中に不一致を示す。 モデル学習のための複数のラベルを客観的に生成する新しい知覚品質ベースモデルトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-15T10:52:18Z)
• Vision-language Assisted Attribute Learning [53.60196963381315]
  大規模な属性ラベリングは通常不完全で部分的である。 既存の属性学習手法は、欠落したラベルを否定的な扱いをすることが多い。 利用可能な視覚言語知識を活用して、モデル学習の強化に欠落しているラベルを明確に明らかにする。
  論文  参考訳（メタデータ） (2023-12-12T06:45:19Z)
• Partial Label Supervision for Agnostic Generative Noisy Label Learning [18.29334728940232]
  ノイズラベル学習は差別的アプローチと生成的アプローチの両方に取り組んできた。 本稿では,これらの課題に対処する生成ノイズラベル学習のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-08-02T14:48:25Z)
• Label-Retrieval-Augmented Diffusion Models for Learning from Noisy Labels [61.97359362447732]
  ノイズの多いラベルからの学習は、実際のアプリケーションのための機械学習において、重要かつ長年にわたる問題である。 本稿では,生成モデルの観点からラベルノイズ問題を再構成する。 我々のモデルは、標準的な実世界のベンチマークデータセットで新しいSOTA(State-of-the-art)結果を達成する。
  論文  参考訳（メタデータ） (2023-05-31T03:01:36Z)
• Nuisances via Negativa: Adjusting for Spurious Correlations via Data Augmentation [32.66196135141696]
  ラベルとの関係の異なる特徴はニュアンスである。 ニュアンスとラベルの関係を利用するモデルは、これらの関係が変化するとパフォーマンスが低下する。 我々は,意味論に関する知識をデータに悪用して利用するためのアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-04T01:40:31Z)
• Causal Transportability for Visual Recognition [70.13627281087325]
  画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。 次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。 これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
  論文  参考訳（メタデータ） (2022-04-26T15:02:11Z)
• Generative Modeling Helps Weak Supervision (and Vice Versa) [87.62271390571837]
  本稿では,弱い監督と生成的敵ネットワークを融合したモデルを提案する。 弱い監督によるラベル推定と並行して、データの離散変数をキャプチャする。 これは、弱い教師付き合成画像と擬似ラベルによるデータ拡張を可能にする最初のアプローチである。
  論文  参考訳（メタデータ） (2022-03-22T20:24:21Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)
• Towards Robust Classification Model by Counterfactual and Invariant Data Generation [7.488317734152585]
  純粋さは、一部の特徴がラベルと相関するが因果関係がないときに起こる。 本稿では2つのデータ生成プロセスを提案する。 我々のデータ生成は、スプリアス相関が壊れたときの精度で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2021-06-02T12:48:29Z)

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。