論文の概要: PiCO: Contrastive Label Disambiguation for Partial Label Learning

• arxiv url: http://arxiv.org/abs/2201.08984v1
• Date: Sat, 22 Jan 2022 07:48:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-25 16:15:57.262600
• Title: PiCO: Contrastive Label Disambiguation for Partial Label Learning
• Title（参考訳）: pico:部分的ラベル学習のための対比ラベル曖昧化
• Authors: Haobo Wang, Ruixuan Xiao, Yixuan Li, Lei Feng, Gang Niu, Gang Chen, Junbo Zhao
• Abstract要約: 部分ラベル学習(Partial label learning, PLL)は、各トレーニング例を粗い候補セットでラベル付けできる重要な問題である。 本研究では,表現学習とラベル曖昧化における2つの重要な研究課題に対処することによって,このギャップを埋める。 提案するフレームワークは,対照的な学習モジュールと,新しいクラスプロトタイプベースのラベル曖昧化から構成される。
• 参考スコア（独自算出の注目度）: 37.91710419258801
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Partial label learning (PLL) is an important problem that allows each training example to be labeled with a coarse candidate set, which well suits many real-world data annotation scenarios with label ambiguity. Despite the promise, the performance of PLL often lags behind the supervised counterpart. In this work, we bridge the gap by addressing two key research challenges in PLL -- representation learning and label disambiguation -- in one coherent framework. Specifically, our proposed framework PiCO consists of a contrastive learning module along with a novel class prototype-based label disambiguation algorithm. PiCO produces closely aligned representations for examples from the same classes and facilitates label disambiguation. Theoretically, we show that these two components are mutually beneficial, and can be rigorously justified from an expectation-maximization (EM) algorithm perspective. Extensive experiments demonstrate that PiCO significantly outperforms the current state-of-the-art approaches in PLL and even achieves comparable results to fully supervised learning. Code and data available: https://github.com/hbzju/PiCO.
• Abstract（参考訳）: 部分ラベル学習(Partial label learning, PLL)は、各トレーニング例を粗い候補セットでラベル付けできる重要な問題である。 約束にもかかわらず、PLLのパフォーマンスは、しばしば監督対象よりも遅れている。 本研究では,PLLにおける2つの重要な研究課題 – 表現学習とラベル曖昧化 – を,一貫したフレームワークで解決することで,ギャップを埋める。 特に,提案フレームワークであるpicoは,新しいクラスプロトタイプに基づくラベル曖昧化アルゴリズムとともに,コントラスト学習モジュールで構成されている。 PiCOは、同じクラスからサンプルに対して密に整列した表現を生成し、ラベルの曖昧さを促進する。 理論的には、これら2つの成分は相互に有益であり、期待最大化(em)アルゴリズムの観点から厳密に正当化できることを示す。 大規模な実験により、PiCOはPLLにおける最先端のアプローチを著しく上回り、完全に教師付き学習と同等の結果を得ることを示した。 コードとデータは、https://github.com/hbzju/PiCO。

関連論文リスト

• Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
  部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。 誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-18T09:09:52Z)
• 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)
• Complementary Classifier Induced Partial Label Learning [54.61668156386079]
  部分ラベル学習(PLL)では、各トレーニングサンプルは候補ラベルのセットに関連付けられ、そのうち1つのみが有効である。 曖昧さでは、既存の研究は通常、非候補ラベルセットの有効性を十分に調査しない。 本稿では,非候補ラベルを用いて補完的分類器を誘導し,従来の分類器に対する逆関係を自然に形成する。
  論文  参考訳（メタデータ） (2023-05-17T02:13:23Z)
• Towards Effective Visual Representations for Partial-Label Learning [49.91355691337053]
  部分ラベル学習(PLL)では、トレーニングインスタンス毎に、未知の真のラベルを含むあいまいなラベルのセットのみがアクセス可能である。 真のラベルがなければ、正の点は本質的にノイズの多い擬似ラベルで予測され、負の点は大きなバッチや運動量エンコーダを必要とすることが多い。 本稿では,表現学習の改善のための重要なスコープを示す,最先端のコントラスト手法PiCO[PiPi24]を再考する。
  論文  参考訳（メタデータ） (2023-05-10T12:01:11Z)
• SoLar: Sinkhorn Label Refinery for Imbalanced Partial-Label Learning [31.535219018410707]
  部分ラベル学習(Partial-label Learning, PLL)は、トレーニングサンプルが一般に、単一の真実ではなく、一連の候補ラベルに関連付けられている、独特な弱い教師付き学習課題である。 本稿では,境界クラス事前分布のマッチングに向けて,曖昧なラベルを洗練するための新しいフレームワークであるSoLarを提案する。 SoLarは、従来の最先端の手法に比べて、標準化されたベンチマークにおいてかなり優れた結果を示している。
  論文  参考訳（メタデータ） (2022-09-21T14:00:16Z)
• Few-Shot Partial-Label Learning [25.609766770479265]
  部分ラベル学習(Partial-label Learning, PLL)は、一般的に、過度に注釈付けされたサンプルをトレーニングすることで、耐雑音性のあるマルチクラスを誘導することに焦点を当てている。 既存の数発の学習アルゴリズムはサポートセットの正確なラベルを仮定する。 本稿では,FsPLL (Few-shot Image Learning) というアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-02T07:03:54Z)
• Provably Consistent Partial-Label Learning [120.4734093544867]
  部分ラベル学習 (Partial-label Learning, PLL) は多クラス分類問題である。 本稿では,候補ラベル集合の第1世代モデルを提案し,一貫性が保証される2つの新しい手法を開発する。 ベンチマークおよび実世界のデータセットの実験は、提案した生成モデルの有効性と2つの方法の有効性を検証する。
  論文  参考訳（メタデータ） (2020-07-17T12:19:16Z)

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。