Fugu-MT 論文翻訳(概要): HIERMATCH: Leveraging Label Hierarchies for Improving Semi-Supervised Learning

論文の概要: HIERMATCH: Leveraging Label Hierarchies for Improving Semi-Supervised Learning

arxiv url: http://arxiv.org/abs/2111.00164v1
Date: Sat, 30 Oct 2021 03:48:49 GMT
ステータス: 処理完了
システム内更新日: 2021-11-02 15:16:02.054436
Title: HIERMATCH: Leveraging Label Hierarchies for Improving Semi-Supervised Learning
Title（参考訳）: HIERMATCH: 半教師付き学習改善のためのラベル階層の活用
Authors: Ashima Garg, Shaurya Bagga, Yashvardhan Singh, Saket Anand
Abstract要約: HIERMATCHは、階層的な情報を活用してラベリングコストを削減し、バニラ半教師付き学習法と同様に機能する半教師付きアプローチである。 CIFAR-100とNABirdsという2つのベンチマークデータセットに対するHIERMATCHの有効性を評価する。
参考スコア（独自算出の注目度）: 4.576080539427073
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Semi-supervised learning approaches have emerged as an active area of research to combat the challenge of obtaining large amounts of annotated data. Towards the goal of improving the performance of semi-supervised learning methods, we propose a novel framework, HIERMATCH, a semi-supervised approach that leverages hierarchical information to reduce labeling costs and performs as well as a vanilla semi-supervised learning method. Hierarchical information is often available as prior knowledge in the form of coarse labels (e.g., woodpeckers) for images with fine-grained labels (e.g., downy woodpeckers or golden-fronted woodpeckers). However, the use of supervision using coarse category labels to improve semi-supervised techniques has not been explored. In the absence of fine-grained labels, HIERMATCH exploits the label hierarchy and uses coarse class labels as a weak supervisory signal. Additionally, HIERMATCH is a generic-approach to improve any semisupervised learning framework, we demonstrate this using our results on recent state-of-the-art techniques MixMatch and FixMatch. We evaluate the efficacy of HIERMATCH on two benchmark datasets, namely CIFAR-100 and NABirds. HIERMATCH can reduce the usage of fine-grained labels by 50% on CIFAR-100 with only a marginal drop of 0.59% in top-1 accuracy as compared to MixMatch.
Abstract（参考訳）: 半教師付き学習アプローチは、大量の注釈付きデータを取得するという課題に対処する研究の活発な領域として現れてきた。半教師付き学習手法の性能向上を目指して,階層的情報を活用した半教師付き学習手法であるhiermatchを提案し,ラベリングコストを低減し,バニラ半教師付き学習手法を提案する。階層的な情報は、粗いラベル(例:ウッドペッカー)という形で、きめ細かいラベル(例:ダニーウッドペッカーやゴールデンフロントウッドペッカー)のイメージの以前の知識としてしばしば利用することができる。しかし, 半教師付き技術を改善するために, 粗いカテゴリラベルを用いた監督法は検討されていない。きめ細かいラベルがない場合、HIERMATCHはラベル階層を利用し、粗いクラスラベルを弱い監督信号として使用する。さらに、HIERMATCHは、あらゆる半教師付き学習フレームワークを改善するための汎用的なアプローチであり、最近の最先端技術であるMixMatchとFixMatchの成果を用いてこれを実証する。 CIFAR-100とNABirdsという2つのベンチマークデータセットに対するHIERMATCHの有効性を評価する。 HIERMATCHは、MixMatchと比較して、CIFAR-100では0.59%の差しかなく、きめ細かいラベルの使用を50%削減できる。

関連論文リスト

RankMatch: A Novel Approach to Semi-Supervised Label Distribution Learning Leveraging Inter-label Correlations [52.549807652527306]
本稿では,SSLDL (Semi-Supervised Label Distribution Learning) の革新的なアプローチである RankMatch を紹介する。 RankMatchは、ラベルのない大量のデータとともに、少数のラベル付き例を効果的に活用する。我々はRandMatchに縛られる理論的な一般化を確立し、広範な実験を通じて既存のSSLDL法に対する性能上の優位性を実証した。
論文参考訳（メタデータ） (2023-12-11T12:47:29Z)
JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
論文参考訳（メタデータ） (2023-10-23T05:43:35Z)
Exploring Structured Semantic Prior for Multi Label Recognition with Incomplete Labels [60.675714333081466]
不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
論文参考訳（メタデータ） (2023-03-23T12:39:20Z)
Contrastive Learning for Online Semi-Supervised General Continual Learning [8.868276505511922]
ラベルを欠いたオンライン連続学習について検討し、部分的にラベル付けされたデータを対象とした新たなコントラスト損失であるSemiConを提案する。メモリに付加されるすべてのデータをオラクルを使ってラベル付けする、ラベルのないデータストリームでトレーニングされたメモリベースの手法を考案することで、その効率を実証する。
論文参考訳（メタデータ） (2022-07-12T15:32:00Z)
SparseDet: Improving Sparsely Annotated Object Detection with Pseudo-positive Mining [76.95808270536318]
Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
論文参考訳（メタデータ） (2022-01-12T18:57:04Z)
Improving Pretrained Models for Zero-shot Multi-label Text Classification through Reinforced Label Hierarchy Reasoning [18.531022315325583]
ラベル階層の探索は、ゼロショットのマルチラベルテキスト分類問題に取り組むための有望なアプローチとなっている。トレーニング中の階層内のラベル間の相互依存性を促進するために,RLHR(Reinforced Label Hierarchy Reasoning)アプローチを提案する。
論文参考訳（メタデータ） (2021-04-04T19:14:09Z)
Unbiased Teacher for Semi-Supervised Object Detection [50.0087227400306]
SS-OD(Semi-Supervised Object Detection)を再検討し,SS-ODにおける擬似ラベルバイアス問題を特定する。学生と徐々に進歩する教師を相互に利益ある方法で共同で訓練するシンプルで効果的なアプローチであるUnbiased Teacherを紹介します。
論文参考訳（メタデータ） (2021-02-18T17:02:57Z)
Boosting the Performance of Semi-Supervised Learning with Unsupervised Clustering [10.033658645311188]
学習中の間欠的にラベルを完全に無視することは,小サンプル体制における性能を著しく向上させることを示す。本手法は,最先端のSSLアルゴリズムの高速化に有効であることを示す。
論文参考訳（メタデータ） (2020-12-01T14:19:14Z)
CoMatch: Semi-supervised Learning with Contrastive Graph Regularization [86.84486065798735]
CoMatchは、支配的なアプローチを統一する、新しい半教師付き学習手法である。複数のデータセット上で最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2020-11-23T02:54:57Z)
Unsupervised Semantic Aggregation and Deformable Template Matching for Semi-Supervised Learning [34.560447389853614]
ラベルなしデータのセマンティックラベルを生成するために,T-MI損失に基づく教師なしセマンティックアグリゲーションを提案する。ラベル付きサンプルを格納する機能プールは動的に更新され、ラベルなしデータのプロキシラベルが割り当てられる。実験と解析により、USADTMが最高性能を達成することを確認した。
論文参考訳（メタデータ） (2020-10-12T08:17:56Z)
Reliable Label Bootstrapping for Semi-Supervised Learning [19.841733658911767]
ReLaBは教師なしプレプロセッシングアルゴリズムであり、極めて低い監督条件下での半教師付きアルゴリズムの性能を改善する。本稿では,ネットワークアーキテクチャと自己教師型アルゴリズムの選択が,ラベルの伝播を成功させる重要な要因であることを示す。 CIFAR-10のクラス毎に1つのランダムなラベル付きサンプルを持つ$boldsymbol22.34$の平均エラー率に達し、各クラスのラベル付きサンプルが非常に代表的である場合に、このエラーを$boldsymbol8.46$に下げる。
論文参考訳（メタデータ） (2020-07-23T08:51:37Z)

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。