Fugu-MT 論文翻訳(概要): One-Step Abductive Multi-Target Learning with Diverse Noisy Samples

論文の概要: One-Step Abductive Multi-Target Learning with Diverse Noisy Samples

arxiv url: http://arxiv.org/abs/2110.10325v1
Date: Wed, 20 Oct 2021 00:47:31 GMT
ステータス: 処理完了
システム内更新日: 2021-10-22 14:38:37.223132
Title: One-Step Abductive Multi-Target Learning with Diverse Noisy Samples
Title（参考訳）: 複数雑音サンプルを用いた一段階帰納的マルチターゲット学習
Authors: Yongquan Yang
Abstract要約: 本稿では,DNS(OSAMTL-DNS)を用いた一段階帰納的マルチターゲット学習を提案する。
参考スコア（独自算出の注目度）: 3.299672391663527
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: One-step abductive multi-target learning (OSAMTL) was proposed to handle complex noisy labels. In this paper, giving definition of diverse noisy samples (DNS), we propose one-step abductive multi-target learning with DNS (OSAMTL-DNS) to expand the original OSAMTL to a wider range of tasks that handle complex noisy labels.
Abstract（参考訳）: 複雑な雑音ラベルを扱うために,一段階誘導型マルチターゲット学習(OSAMTL)を提案する。本稿では,多種多様なノイズサンプル(DNS)を定義した上で,複雑なノイズラベルを扱うタスクに拡張するために,DNS(OSAMTL-DNS)を用いた一段階誘導型マルチターゲット学習を提案する。

関連論文リスト

Meta-Learn Unimodal Signals with Weak Supervision for Multimodal Sentiment Analysis [25.66434557076494]
上記の問題に対処する新しいメタユニラベル生成(MUG)フレームワークを提案する。まず,一様表現と多様表現のギャップを埋めるために,コントラッシブ・ベース・プロジェクション・モジュールを設計する。次に,両レベル最適化戦略を用いて,MUCNを明示的な監督で訓練するための一助多モーダル・マルチモーダル・Denoisingタスクを提案する。
論文参考訳（メタデータ） (2024-08-28T03:43:01Z)
Less is more: Summarizing Patch Tokens for efficient Multi-Label Class-Incremental Learning [38.36863497458095]
我々は, pAtch tokeN Embeddings (MULTI-LANE) を要約したクラス増分学習手法を提案する。提案手法は, pAtch tokeN Embeddings (MULTI-LANE) を要約したマルチラベルクラスインクリメンタルラーニングであり, 高速な推論を実現するとともに, MLCILにおける非絡合タスク固有表現の学習を可能にする。
論文参考訳（メタデータ） (2024-05-24T15:18:27Z)
Co-Learning Meets Stitch-Up for Noisy Multi-label Visual Recognition [70.00984078351927]
本稿では,多ラベル分類と長期学習の特徴に基づく雑音の低減に焦点をあてる。よりクリーンなサンプルを合成し,マルチラベルノイズを直接低減するStitch-Up拡張を提案する。ヘテロジニアス・コラーニング・フレームワークは、長い尾の分布とバランスの取れた分布の不整合を活用するためにさらに設計されている。
論文参考訳（メタデータ） (2023-07-03T09:20:28Z)
Robust Meta-learning with Sampling Noise and Label Noise via Eigen-Reptile [78.1212767880785]
Meta-learnerは、利用可能なサンプルがわずかしかないため、過度に適合する傾向がある。ノイズの多いラベルでデータを扱う場合、メタラーナーはラベルノイズに対して非常に敏感になる可能性がある。本稿では,タスク固有のパラメータの主要な方向でメタパラメータを更新するEigen-Reptile(ER)を提案する。
論文参考訳（メタデータ） (2022-06-04T08:48:02Z)
Learning to Imagine: Diversify Memory for Incremental Learning using Unlabeled Data [69.30452751012568]
本研究では,多様な特徴を適応的に生成することで,経験を多様化する学習可能な特徴生成装置を開発する。生成したサンプルを前例とセマンティックに整合させるために,意味的コントラスト学習を導入する。提案手法は, 余分な推論コストを伴わず, 2つのベンチマークで最先端の手法より優れている。
論文参考訳（メタデータ） (2022-04-19T15:15:18Z)
A Free Lunch to Person Re-identification: Learning from Automatically Generated Noisy Tracklets [52.30547023041587]
非教師付きビデオベース再識別(re-ID)手法は、re-IDデータセットのアノテートに必要な高コストの問題を解決するために提案されている。しかし、彼らのパフォーマンスは監督対象よりもはるかに低い。本稿では,自動生成人追跡装置から再IDモデルを学習することで,この問題に対処することを提案する。
論文参考訳（メタデータ） (2022-04-02T16:18:13Z)
One-Step Abductive Multi-Target Learning with Diverse Noisy Label Samples [2.487445341407889]
そこで我々は,DNLS(OSAMTL-DNLS)を用いた一段階帰納的多目的学習を提案し,OSAMTLの方法論を拡張し,複雑な雑音ラベルの扱いを改善する。
論文参考訳（メタデータ） (2021-12-08T08:54:55Z)
Gated recurrent units and temporal convolutional network for multilabel classification [122.84638446560663]
本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
論文参考訳（メタデータ） (2021-10-09T00:00:16Z)
Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
論文参考訳（メタデータ） (2020-09-30T15:45:36Z)

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。