論文の概要: SSDL: Self-Supervised Dictionary Learning

• arxiv url: http://arxiv.org/abs/2112.01790v1
• Date: Fri, 3 Dec 2021 08:55:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 22:57:43.172856
• Title: SSDL: Self-Supervised Dictionary Learning
• Title（参考訳）: SSDL: 自己監督型辞書学習
• Authors: Shuai Shao, Lei Xing, Wei Yu, Rui Xu, Yanjiang Wang, Baodi Liu
• Abstract要約: 本稿では,この課題に対処するために,自己教師付き辞書学習(SSDL)フレームワークを提案する。 具体的には,まず,Laplacian Attention Hypergraph Learningブロックをプレテキストタスクとして設計し,DLの擬似ソフトラベルを生成する。 次に、擬似ラベルを用いて、一次ラベル埋め込みDL法から辞書を訓練する。
• 参考スコア（独自算出の注目度）: 20.925371262076744
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The label-embedded dictionary learning (DL) algorithms generate influential dictionaries by introducing discriminative information. However, there exists a limitation: All the label-embedded DL methods rely on the labels due that this way merely achieves ideal performances in supervised learning. While in semi-supervised and unsupervised learning, it is no longer sufficient to be effective. Inspired by the concept of self-supervised learning (e.g., setting the pretext task to generate a universal model for the downstream task), we propose a Self-Supervised Dictionary Learning (SSDL) framework to address this challenge. Specifically, we first design a $p$-Laplacian Attention Hypergraph Learning (pAHL) block as the pretext task to generate pseudo soft labels for DL. Then, we adopt the pseudo labels to train a dictionary from a primary label-embedded DL method. We evaluate our SSDL on two human activity recognition datasets. The comparison results with other state-of-the-art methods have demonstrated the efficiency of SSDL.
• Abstract（参考訳）: ラベル埋め込み辞書学習(DL)アルゴリズムは、識別情報を導入して、影響力のある辞書を生成する。 すべてのラベル埋め込みdlメソッドはラベルに依存しており、この方法では教師付き学習で理想的なパフォーマンスを達成するだけである。 半教師なしおよび教師なしの学習では、もはや効果が十分ではない。 自己教師付き学習の概念(例えば、下流タスクの普遍的なモデルを生成するためのプレテキストタスクの設定)に着想を得て、この問題に対処するセルフスーパービジョン辞書学習(SSDL)フレームワークを提案する。 具体的には,まずp$-Laplacian Attention Hypergraph Learning (pAHL)ブロックをプレテキストタスクとして設計し,DLの擬似ソフトラベルを生成する。 次に、擬似ラベルを用いて、一次ラベル埋め込みDL法から辞書を訓練する。 SSDLを2つの人間行動認識データセットで評価する。 他の最先端手法と比較した結果,ssdlの有効性が示された。

関連論文リスト

• Robust Representation Learning for Unreliable Partial Label Learning [86.909511808373]
  部分ラベル学習(Partial Label Learning, PLL)は、弱い教師付き学習の一種で、各トレーニングインスタンスに候補ラベルのセットが割り当てられる。 これはUn Reliable partial Label Learning (UPLL) と呼ばれ、部分ラベルの本質的な信頼性の欠如とあいまいさにより、さらなる複雑さをもたらす。 本研究では,信頼できない部分ラベルに対するモデル強化を支援するために,信頼性に欠けるコントラスト学習を活用するUnreliability-Robust Representation Learning framework(URRL)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T13:37:28Z)
• Description-Enhanced Label Embedding Contrastive Learning for Text Classification [65.01077813330559]
  モデル学習プロセスにおける自己監督型学習(SSL)と新しい自己監督型関係関係(R2)分類タスクの設計 テキスト分類とR2分類を最適化対象として扱うテキスト分類のための関係学習ネットワーク(R2-Net)の関係について検討する。 ラベルセマンティックラーニングのためのマルチアスペクト記述を得るためのWordNetからの外部知識。
  論文  参考訳（メタデータ） (2023-06-15T02:19:34Z)
• Decoupling Pseudo Label Disambiguation and Representation Learning for Generalized Intent Discovery [24.45800271294178]
  主な課題は、擬似ラベルの曖昧さと表現学習である。 本稿では、擬似ラベルの曖昧さと表現学習を分離するための分離されたプロトタイプ学習フレームワーク(DPL)を提案する。 3つのベンチマークデータセットの実験と分析により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-28T12:01:34Z)
• PIEClass: Weakly-Supervised Text Classification with Prompting and Noise-Robust Iterative Ensemble Training [42.013879670590214]
  弱教師付きテキスト分類は、ターゲットクラスのラベル名を使用した分類器を唯一の監督として訓練する。 2つのモジュールからなるPIEClassを提案する。 PIEClassは、既存の7つのベンチマークデータセットの強いベースラインよりも全体的なパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2023-05-23T06:19:14Z)
• 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)
• Disambiguation of Company names via Deep Recurrent Networks [101.90357454833845]
  企業名文字列の埋め込みである教師付き学習を通じて,Siamese LSTM Network を抽出する手法を提案する。 私たちは、ラベル付けされるサンプルを優先するActive Learningアプローチが、より効率的な全体的な学習パイプラインをもたらす方法を分析します。
  論文  参考訳（メタデータ） (2023-03-07T15:07:57Z)
• Learning with Partial Labels from Semi-supervised Perspective [28.735185883881172]
  部分ラベル学習(Partial Label、PL)とは、部分ラベル付きデータから学習するタスクである。 セミスーパーバイザード・パースペクティブ(PLSP)を用いた部分ラベル学習という新しいPL学習手法を提案する。 PLSPは、特に高いあいまいさレベルにおいて、既存のPLベースライン法よりも著しく優れている。
  論文  参考訳（メタデータ） (2022-11-24T15:12:16Z)
• Robotic Skill Acquisition via Instruction Augmentation with Vision-Language Models [70.82705830137708]
  言語条件制御のためのデータ駆動型インストラクション拡張(DIAL)について紹介する。 我々は,CLIPのセマンティック理解を利用したセミ言語ラベルを用いて,未知の実演データの大規模なデータセットに知識を伝達する。 DIALは、模倣学習ポリシーによって、新しい能力を獲得し、元のデータセットにない60の新しい命令を一般化することができる。
  論文  参考訳（メタデータ） (2022-11-21T18:56:00Z)
• LST: Lexicon-Guided Self-Training for Few-Shot Text Classification [3.7277082975620806]
  LSTは,レキシコンを用いて擬似ラベル機構を誘導する簡単な自己学習手法である。 5つのベンチマークデータセットに対して、クラス毎に30のラベル付きサンプルに対して、この単純で巧妙な語彙知識が1.0-2.0%のパフォーマンスを達成することを実証した。
  論文  参考訳（メタデータ） (2022-02-05T14:33:12Z)
• SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
  我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。 まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。 次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
  論文  参考訳（メタデータ） (2020-11-20T08:26:10Z)
• DLDL: Dynamic Label Dictionary Learning via Hypergraph Regularization [17.34373273007931]
  ラベルなしデータに対するソフトラベル行列を生成するための動的ラベル辞書学習(DLDL)アルゴリズムを提案する。 具体的には、原データ、変換データ、ソフトラベル間の関係の整合性を維持するために、ハイパーグラフ多様体の正規化を用いる。
  論文  参考訳（メタデータ） (2020-10-23T14:07:07Z)

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。