論文の概要: Gaussian Mixture Variational Autoencoder with Contrastive Learning for
Multi-Label Classification
- arxiv url: http://arxiv.org/abs/2112.00976v1
- Date: Thu, 2 Dec 2021 04:23:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-03 16:56:58.984735
- Title: Gaussian Mixture Variational Autoencoder with Contrastive Learning for
Multi-Label Classification
- Title(参考訳): マルチラベル分類のためのコントラスト学習を用いたガウス混合変分オートエンコーダ
- Authors: Junwen Bai, Shufeng Kong, Carla P. Gomes
- Abstract要約: 本稿では,新しいコントラスト学習促進型マルチラベル予測モデルを提案する。
教師付き環境でのコントラスト学習を用いることで,ラベル情報を効果的に活用することができる。
学習した埋め込みがラベルとラベルの相互作用の解釈に洞察を与えることを示す。
- 参考スコア(独自算出の注目度): 27.043136219527767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-label classification (MLC) is a prediction task where each sample can
have more than one label. We propose a novel contrastive learning boosted
multi-label prediction model based on a Gaussian mixture variational
autoencoder (C-GMVAE), which learns a multimodal prior space and employs a
contrastive loss. Many existing methods introduce extra complex neural modules
to capture the label correlations, in addition to the prediction modules. We
found that by using contrastive learning in the supervised setting, we can
exploit label information effectively, and learn meaningful feature and label
embeddings capturing both the label correlations and predictive power, without
extra neural modules. Our method also adopts the idea of learning and aligning
latent spaces for both features and labels. C-GMVAE imposes a Gaussian mixture
structure on the latent space, to alleviate posterior collapse and
over-regularization issues, in contrast to previous works based on a unimodal
prior. C-GMVAE outperforms existing methods on multiple public datasets and can
often match other models' full performance with only 50% of the training data.
Furthermore, we show that the learnt embeddings provide insights into the
interpretation of label-label interactions.
- Abstract(参考訳): マルチラベル分類(MLC)は、各サンプルが複数のラベルを持つことができる予測タスクである。
本稿では,マルチモーダル事前空間を学習し,コントラスト損失を用いたガウス混合変分オートエンコーダ(c-gmvae)に基づく,新しいコントラスト学習促進マルチラベル予測モデルを提案する。
多くの既存の手法では、予測モジュールに加えてラベル相関を捉えるために、さらに複雑な神経モジュールを導入している。
教師付き環境でのコントラスト学習を用いることで、ラベル情報を効果的に活用し、ラベルの相関関係と予測力の両方を捉える意味のある特徴とラベル埋め込みを、余分な神経モジュールなしで学習できることがわかった。
提案手法では,特徴空間とラベル空間の両方を学習・調整するという考え方も取り入れている。
C-GMVAE は後続の崩壊と過正規化の問題を緩和するため、潜在空間上にガウス混合構造を課す。
C-GMVAEは、複数の公開データセット上の既存のメソッドよりも優れており、トレーニングデータのわずか50%で、他のモデルのフルパフォーマンスにマッチすることが多い。
さらに,学習した埋め込みがラベルとラベルの相互作用の解釈に洞察を与えることを示す。
関連論文リスト
- Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。
本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
論文 参考訳(メタデータ) (2024-04-26T06:00:27Z) - ProbMCL: Simple Probabilistic Contrastive Learning for Multi-label Visual Classification [16.415582577355536]
マルチラベル画像分類は、コンピュータビジョンや医用画像など、多くの領域において難しい課題である。
最近の進歩は、グラフベースとトランスフォーマーベースのメソッドを導入し、パフォーマンスを改善し、ラベルの依存関係をキャプチャしている。
本稿では,これらの課題に対処する新しいフレームワークである確率的多ラベルコントラスト学習(ProbMCL)を提案する。
論文 参考訳(メタデータ) (2024-01-02T22:15:20Z) - 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) - Self-Evolution Learning for Mixup: Enhance Data Augmentation on Few-Shot
Text Classification Tasks [75.42002070547267]
テキスト分類におけるデータ拡張のための自己進化学習(SE)に基づくミックスアップ手法を提案する。
モデル出力と原サンプルの1つのホットラベルを線形に補間して,新しい軟質なラベル混在を生成する,新しいインスタンス固有ラベル平滑化手法を提案する。
論文 参考訳(メタデータ) (2023-05-22T23:43:23Z) - Asymmetric Co-teaching with Multi-view Consensus for Noisy Label
Learning [15.690502285538411]
Asymmetric Co-Teaching (AsyCo) というノイズラベル学習手法を導入する。
AsyCoは、共学モデルのより一貫性のある分岐結果を生成する。
合成および実世界のノイズラベルデータセットの実験は、AsyCoが現在のSOTA法よりも改善していることを示している。
論文 参考訳(メタデータ) (2023-01-01T04:10:03Z) - One Positive Label is Sufficient: Single-Positive Multi-Label Learning
with Label Enhancement [71.9401831465908]
本研究では,SPMLL (Single- positive multi-label learning) について検討した。
ラベルエンハンスメントを用いた単陽性MultIラベル学習という新しい手法を提案する。
ベンチマークデータセットの実験により,提案手法の有効性が検証された。
論文 参考訳(メタデータ) (2022-06-01T14:26:30Z) - Evolving Multi-Label Fuzzy Classifier [5.53329677986653]
マルチラベル分類は、同時に複数のクラスに1つのサンプルを割り当てるという問題に対処するために、機械学習コミュニティで多くの注目を集めている。
本稿では,新たなマルチラベルサンプルをインクリメンタルかつシングルパスで自己適応・自己展開可能な多ラベルファジィ分類器(EFC-ML)を提案する。
論文 参考訳(メタデータ) (2022-03-29T08:01:03Z) - 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) - GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as
Reference [153.354332374204]
半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。
まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。
MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。
ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
論文 参考訳(メタデータ) (2021-06-29T02:48:45Z) - Disentangled Variational Autoencoder based Multi-Label Classification
with Covariance-Aware Multivariate Probit Model [10.004081409670516]
マルチラベル分類は、複数のターゲットの存在と欠如を予測する上で難しい課題である。
本稿では,ラベル相関だけでなく,遅延埋め込み空間を効果的に学習するマルチラベル分類のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-12T23:08:07Z)
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。