論文の概要: Model-Change Active Learning in Graph-Based Semi-Supervised Learning
- arxiv url: http://arxiv.org/abs/2110.07739v1
- Date: Thu, 14 Oct 2021 21:47:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 07:40:25.172477
- Title: Model-Change Active Learning in Graph-Based Semi-Supervised Learning
- Title(参考訳): グラフに基づく半教師付き学習におけるモデル変化アクティブラーニング
- Authors: Kevin Miller and Andrea L. Bertozzi
- Abstract要約: モデル変更」能動学習は、追加ラベルを導入して分類器に生じる結果の変化を定量化する
後方分布のラプラス近似を用いて, 取得関数を効率的に近似できる凸損失関数の族を考える。
- 参考スコア(独自算出の注目度): 7.208515071018781
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Active learning in semi-supervised classification involves introducing
additional labels for unlabelled data to improve the accuracy of the underlying
classifier. A challenge is to identify which points to label to best improve
performance while limiting the number of new labels. "Model-change" active
learning quantifies the resulting change incurred in the classifier by
introducing the additional label(s). We pair this idea with graph-based
semi-supervised learning methods, that use the spectrum of the graph Laplacian
matrix, which can be truncated to avoid prohibitively large computational and
storage costs. We consider a family of convex loss functions for which the
acquisition function can be efficiently approximated using the Laplace
approximation of the posterior distribution. We show a variety of multiclass
examples that illustrate improved performance over prior state-of-art.
- Abstract(参考訳): 半教師付き分類におけるアクティブラーニングは、基礎となる分類器の精度を向上させるためにラベルなしデータにラベルを追加することを含む。
課題は、新しいラベルの数を制限しながら、どのポイントがパフォーマンスを改善するかを特定することである。
モデル変更」能動学習は、追加ラベルを導入して分類器で生じる結果の変化を定量化する。
このアイデアをグラフベースの半教師付き学習手法と組み合わせて、グラフラプラシア行列のスペクトルを用いて、計算と記憶のコストが不当に大きすぎることを避けることができる。
本研究では,後続分布のラプラス近似を用いて取得関数を効率的に近似できる凸損失関数の族を考える。
先行技術よりも優れた性能を示す多種多様な例を示す。
関連論文リスト
- ERASE: Error-Resilient Representation Learning on Graphs for Label Noise
Tolerance [53.73316938815873]
本稿では, ERASE (Error-Resilient representation learning on graphs for lAbel noiSe tolerancE) という手法を提案する。
ERASEは、プロトタイプの擬似ラベルとプロパゲーションされた識別ラベルを組み合わせて、表現をエラーレジリエンスで更新する。
提案手法は, 広い雑音レベルにおいて, 複数のベースラインをクリアマージンで上回り, 高いスケーラビリティを享受できる。
論文 参考訳(メタデータ) (2023-12-13T17:59:07Z) - Unsupervised Estimation of Ensemble Accuracy [0.0]
いくつかの分類器の結合力を推定する手法を提案する。
ラベルに依存しない「多様性」対策に重点を置く既存のアプローチとは異なる。
本手法は,一般的な大規模顔認証データセット上で実証する。
論文 参考訳(メタデータ) (2023-11-18T02:31:36Z) - Semi-Supervised Laplacian Learning on Stiefel Manifolds [67.29074577550405]
我々は、ララシアグラフの非プラサート一般化の枠組みを改革する。
低ラベルレートでの教師付きサンプルの臨界中心性に対処する。
私たちのコードは提出のためにオンフットコノニマス化されています。
論文 参考訳(メタデータ) (2023-07-31T20:19:36Z) - SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised
Learning [101.86916775218403]
本稿では, サンプル重み付けを統一した定式化により, 一般的な擬似ラベル法を再検討する。
トレーニング中の擬似ラベルの量と質を両立させることでトレードオフを克服するSoftMatchを提案する。
実験では、画像、テキスト、不均衡な分類など、さまざまなベンチマークで大幅に改善されている。
論文 参考訳(メタデータ) (2023-01-26T03:53:25Z) - Dense FixMatch: a simple semi-supervised learning method for pixel-wise
prediction tasks [68.36996813591425]
Dense FixMatchは,高密度かつ構造化された予測タスクのオンライン半教師付き学習のための簡易な手法である。
我々は、擬似ラベルにマッチング操作を追加することにより、画像分類を超えた半教師付き学習問題にFixMatchの適用を可能にする。
Dense FixMatchは、ラベル付きデータのみを使用して教師付き学習と比較すると、結果を著しく改善し、ラベル付きサンプルの1/4でそのパフォーマンスに近づいた。
論文 参考訳(メタデータ) (2022-10-18T15:02:51Z) - Preserving Fine-Grain Feature Information in Classification via Entropic
Regularization [10.358087436626391]
標準的なクロスエントロピーは、粗い機能に過度に適合する可能性があることを示す。
エントロピーに基づく正規化を導入し、訓練されたモデルの特徴空間におけるさらなる多様性を促進する。
論文 参考訳(メタデータ) (2022-08-07T09:25:57Z) - Gradient-based Label Binning in Multi-label Classification [0.0]
多ラベル分類において、ラベル間の依存関係をモデル化する能力は、非分解性評価尺度を効果的に最適化するために重要である。
最近の多くのブースティングアプローチで使われている2階微分の利用は、分解不能な損失の最小化を導くのに役立つ。
本研究では,新しい近似手法を高速化手法に統合することにより,そのような手法の計算ボトルネックに対処する。
論文 参考訳(メタデータ) (2021-06-22T11:48:48Z) - Minimax Active Learning [61.729667575374606]
アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。
現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。
我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-12-18T19:03:40Z) - Semi-supervised dictionary learning with graph regularization and active
points [0.19947949439280027]
2つの柱に基づく辞書学習手法を提案する。
一方、元のデータから局所線形埋め込みを用いたスパース符号空間に多様体構造保存を強制する。
一方、スパース符号空間における半教師付き分類器を訓練する。
論文 参考訳(メタデータ) (2020-09-13T09:24:51Z) - Active Learning on Attributed Graphs via Graph Cognizant Logistic
Regression and Preemptive Query Generation [37.742218733235084]
本稿では,属性グラフにおけるノード分類処理のための新しいグラフベース能動学習アルゴリズムを提案する。
提案アルゴリズムは,線形化グラフ畳み込みニューラルネットワーク(GCN)と等価なグラフ認識ロジスティック回帰を用いて,予測フェーズの誤差低減を最大化する。
5つの公開ベンチマークデータセットで実験を行い、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-07-09T18:00:53Z) - Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
半教師付き学習における簡単なメタ学習アルゴリズムを提案する。
その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
論文 参考訳(メタデータ) (2020-07-08T08:48:56Z)
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。