論文の概要: CEMENT: Incomplete Multi-View Weak-Label Learning with Long Tail Labels
- arxiv url: http://arxiv.org/abs/2201.01079v1
- Date: Tue, 4 Jan 2022 10:49:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-05 14:01:44.457046
- Title: CEMENT: Incomplete Multi-View Weak-Label Learning with Long Tail Labels
- Title（参考訳）: セメント:ロングテールラベルを用いた不完全多視点弱ラベル学習
- Authors: Zhiwei Li, Lu Sun
- Abstract要約: 各サンプルは多視点特徴を持ち、複数のラベルは共通ビューを介して相関する。
これに対処するいくつかの方法が提案されているが、それでも2つの重要な問題に悩まされている。
我々は,その限界を克服するために,Cementという新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 3.5996316211674313
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A variety of modern applications exhibit multi-view multi-label learning,
where each sample has multi-view features, and multiple labels are correlated
via common views. In recent years, several methods have been proposed to cope
with it and achieve much success, but still suffer from two key problems: 1)
lack the ability to deal with the incomplete multi-view weak-label data, in
which only a subset of features and labels are provided for each sample; 2)
ignore the presence of noisy views and tail labels usually occurring in
real-world problems. In this paper, we propose a novel method, named CEMENT, to
overcome the limitations. For 1), CEMENT jointly embeds incomplete views and
weak labels into distinct low-dimensional subspaces, and then correlates them
via Hilbert-Schmidt Independence Criterion (HSIC). For 2), CEMEMT adaptively
learns the weights of embeddings to capture noisy views, and explores an
additional sparse component to model tail labels, making the low-rankness
available in the multi-label setting. We develop an alternating algorithm to
solve the proposed optimization problem. Experimental results on seven
real-world datasets demonstrate the effectiveness of the proposed method.
- Abstract（参考訳）: 様々な現代的なアプリケーションがマルチビューのマルチラベル学習を示しており、各サンプルにはマルチビュー機能があり、複数のラベルは共通のビューで関連付けられている。
近年、それに対応し、大きな成功を収めるためにいくつかの方法が提案されているが、依然として2つの重要な問題を抱えている。
1) 不完全な多視点弱ラベルデータを扱う能力が欠如しており,各サンプルに特徴及びラベルのサブセットのみが提供される。
2) 現実問題に通常発生するノイズの多いビューやテールラベルの存在を無視する。
本稿では,その限界を克服するために,Cementという新しい手法を提案する。
1) セメントは不完全なビューと弱いラベルをそれぞれ異なる低次元部分空間に埋め込み、ヒルベルト・シュミット独立基準 (hsic) によってそれらを関連付ける。
例えば、CEMEMTは、ノイズの多いビューをキャプチャするための埋め込みの重みを適応的に学習し、テールラベルをモデル化するための余分なコンポーネントを探索し、低ランクをマルチラベル設定で利用できるようにする。
提案する最適化問題を解くための交互アルゴリズムを開発した。
7つの実世界のデータセットにおける実験結果は,提案手法の有効性を示している。
関連論文リスト
- 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) - Towards Imbalanced Large Scale Multi-label Classification with Partially
Annotated Labels [8.977819892091]
マルチラベル分類は、複数のクラスにインスタンスを関連付けることができる日常生活において、広く発生する問題である。
本研究では,ラベルの不均衡の問題に対処し,部分ラベルを用いたニューラルネットワークのトレーニング方法について検討する。
論文 参考訳（メタデータ） (2023-07-31T21:50:48Z) - 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) - Reliable Representations Learning for Incomplete Multi-View Partial Multi-Label Classification [78.15629210659516]
本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。
既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。
我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
論文 参考訳（メタデータ） (2023-03-30T03:09:25Z) - DICNet: Deep Instance-Level Contrastive Network for Double Incomplete
Multi-View Multi-Label Classification [20.892833511657166]
実世界におけるマルチビューマルチラベルデータは、データ収集や手動アノテーションの不確実性のため、一般的に不完全である。
本稿では,DICNetという深層インスタンスレベルのコントラストネットワークを提案し,二重不完全なマルチラベル分類問題に対処する。
我々のDICNetは、マルチビュー多ラベルデータの一貫した識別的表現を捉え、欠落したビューと欠落したラベルの負の影響を避けることに長けている。
論文 参考訳（メタデータ） (2023-03-15T04:24:01Z) - An Effective Approach for Multi-label Classification with Missing Labels [8.470008570115146]
分類ネットワークにさらなる複雑さをもたらすことなく、アノテーションのコストを削減するための擬似ラベルベースのアプローチを提案する。
新たな損失関数を設計することにより、各インスタンスが少なくとも1つの正のラベルを含む必要があるという要求を緩和することができる。
提案手法は,正のラベルと負のラベルの不均衡を扱える一方で,既存の欠落ラベル学習手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-10-24T23:13:57Z) - 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) - Acknowledging the Unknown for Multi-label Learning with Single Positive
Labels [65.5889334964149]
伝統的に、全ての無注釈ラベルは、単一正のマルチラベル学習(SPML)において負のラベルとして仮定される。
本研究では, 予測確率のエントロピーを最大化するエントロピー最大化(EM)損失を提案する。
非通知ラベルの正負ラベル不均衡を考慮し、非対称耐性戦略とより精密な監視を行うセルフペースト手順を備えた非対称擬似ラベル(APL)を提案する。
論文 参考訳（メタデータ） (2022-03-30T11:43:59Z) - Disentangling Sampling and Labeling Bias for Learning in Large-Output
Spaces [64.23172847182109]
異なる負のサンプリングスキームが支配的ラベルと稀なラベルで暗黙的にトレードオフパフォーマンスを示す。
すべてのラベルのサブセットで作業することで生じるサンプリングバイアスと、ラベルの不均衡に起因するデータ固有のラベルバイアスの両方に明示的に対処する統一された手段を提供する。
論文 参考訳（メタデータ） (2021-05-12T15:40:13Z) - A Concise yet Effective model for Non-Aligned Incomplete Multi-view and
Missing Multi-label Learning [29.827794317616497]
マルチビューのマルチラベルデータから学ぶことは、必然的に、ラベルの欠如、不完全なビュー、非整合ビューの3つの課題に直面します。
既存の手法は主に最初の2つに関係しており、攻撃するには複数の仮定が必要である。
本稿では,1つのハイパーパラメータを持つ簡潔で効果的なモデルを構築することにより,これらを最小限の仮定で満たすことを目標とする。
論文 参考訳（メタデータ） (2020-05-03T03:38:24Z)
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。