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
- URL: Combating Label Noise for Lung Nodule Malignancy Grading [8.904736127483813]
ほとんどの肺悪性度分類データセットにはラベルノイズが含まれており、それは必然的にモデルの性能と一般化性を低下させる。
クラス間の順序関係をモデル化する一様規則化ラベルノイズ耐性(URL)フレームワークを提案する。
LIDC-IDRIデータセットで行った実験は、他の競合する方法よりもURLの方が優れていることを示している。
論文 参考訳(メタデータ) (2023-08-17T04:06:35Z) - 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) - Disambiguated Attention Embedding for Multi-Instance Partial-Label
Learning [68.56193228008466]
多くの実世界のタスクでは、関連するオブジェクトは、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することができる。
既存のMIPLアプローチは、各インスタンスに拡張候補ラベルセットを割り当て、インスタンスレベルのラベルからバッグレベルのラベルを集約することで、インスタンス空間のパラダイムに従っている。
本稿では,DEMIPLという直感的なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-05-26T13:25:17Z) - A Deep Model for Partial Multi-Label Image Classification with
Curriculum Based Disambiguation [39.833839675389605]
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) - Generalized Label Enhancement with Sample Correlations [24.582764493585362]
サンプル相関付きラベル拡張(LESC)と、サンプル相関付きラベル拡張(gLESC)の2つの新しいラベル拡張手法を提案する。
サンプル相関から,提案手法はラベル強化性能を向上させることができる。
論文 参考訳(メタデータ) (2020-04-07T03:32:36Z)
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。