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

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

arxiv url: http://arxiv.org/abs/2201.07933v1
Date: Wed, 8 Dec 2021 08:54:55 GMT
ステータス: 処理完了
システム内更新日: 2023-03-05 02:57:02.562795
Title: One-Step Abductive Multi-Target Learning with Diverse Noisy Label Samples
Title（参考訳）: 分散雑音ラベル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: 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。
参考スコア（独自算出の注目度）: 2.487445341407889
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 label samples (DNLS), we propose one-step abductive multi-target learning with DNLS (OSAMTL-DNLS) to expand the methodology of original OSAMTL to better 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,多種多様なノイズラベルサンプル(dnls)を定義し,dnls(osamtl-dnls)を用いた1段階の帰納的多目標学習を提案する。

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)
Exploiting Conjugate Label Information for Multi-Instance Partial-Label Learning [61.00359941983515]
MIPL(Multi-instance partial-label Learning)は、各トレーニングサンプルが1つの真のラベルといくつかの偽陽性を含む候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現されるシナリオに対処する。 ELIMIPLは共役ラベル情報を利用して曖昧性を改善する。
論文参考訳（メタデータ） (2024-08-26T15:49:31Z)
Channel-Wise Contrastive Learning for Learning with Noisy Labels [60.46434734808148]
チャネルワイド・コントラッシブ・ラーニング(CWCL)を導入し,真正なラベル情報とノイズを区別する。従来のインスタンス単位のコントラスト学習(IWCL)とは異なり、CWCLはよりニュアンスでレジリエントな特徴を真のラベルと一致させる傾向にある。まずCWCLを用いて、クリーンにラベル付けされたサンプルを識別し、次に、これらのサンプルを段階的に微調整する。
論文参考訳（メタデータ） (2023-08-14T06:04:50Z)
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)
PASS: Peer-Agreement based Sample Selection for training with Noisy Labels [16.283722126438125]
ノイズラベルサンプルの頻度は、深層学習において重要な課題となり、過剰適合効果を誘発する。現在の方法論は、しばしばノイズとクリーンなラベルのサンプルを分離するために、小さな損失仮説や特徴に基づく選択に依存している。本稿では,PASS (Peer-Agreement based Sample Selection) と呼ばれる新しいノイズラベル検出手法を提案する。
論文参考訳（メタデータ） (2023-03-20T00:35:33Z)
A Deep Model for Partial Multi-Label Image Classification with Curriculum Based Disambiguation [42.0958430465578]
部分多重ラベル(PML)画像分類問題について検討する。既存のPMLメソッドは通常、ノイズの多いラベルをフィルタリングするための曖昧な戦略を設計する。本稿では,PMLの表現能力と識別能力を高めるための深層モデルを提案する。
論文参考訳（メタデータ） (2022-07-06T02:49:02Z)
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)
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)
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)
One-Step Abductive Multi-Target Learning with Diverse Noisy Samples [3.299672391663527]
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。
論文参考訳（メタデータ） (2021-10-20T00:47:31Z)

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。