Fugu-MT 論文翻訳(概要): GMM Discriminant Analysis with Noisy Label for Each Class

論文の概要: GMM Discriminant Analysis with Noisy Label for Each Class

arxiv url: http://arxiv.org/abs/2201.10242v1
Date: Tue, 25 Jan 2022 11:25:47 GMT
ステータス: 処理完了
システム内更新日: 2022-01-27 01:46:05.966882
Title: GMM Discriminant Analysis with Noisy Label for Each Class
Title（参考訳）: 雑音ラベルを用いたクラスごとのGMM識別分析
Authors: Jian-wei Liu, Zheng-ping Ren, Run-kun Lu, Xiong-lin Luo
Abstract要約: 本稿では,フリップ確率とクラス確率を導入し,ラベルノイズによる識別問題の解法としてEMアルゴリズムを用いる。合成および実世界のデータセットに対する実験結果から,提案手法が他の4つの最先端手法よりも優れていることが示された。
参考スコア（独自算出の注目度）: 3.6114792767829864
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Real world datasets often contain noisy labels, and learning from such datasets using standard classification approaches may not produce the desired performance. In this paper, we propose a Gaussian Mixture Discriminant Analysis (GMDA) with noisy label for each class. We introduce flipping probability and class probability and use EM algorithms to solve the discriminant problem with label noise. We also provide the detail proofs of convergence. Experimental results on synthetic and real-world datasets show that the proposed approach notably outperforms other four state-of-art methods.
Abstract（参考訳）: 現実世界のデータセットは、しばしばノイズの多いラベルを含み、標準分類アプローチを用いたそのようなデータセットからの学習は、望ましいパフォーマンスを生み出しないかもしれない。本稿では,各クラスにノイズラベルを付与したガウス混合判別分析(GMDA)を提案する。ラベル雑音による識別問題を解くために, 反転確率とクラス確率を導入し, emアルゴリズムを用いて解く。また、収束の詳細な証明も提供する。合成および実世界のデータセットに対する実験結果から,提案手法が他の4つの最先端手法よりも優れていることが示された。

関連論文リスト

Extracting Clean and Balanced Subset for Noisy Long-tailed Classification [66.47809135771698]
そこで我々は,分布マッチングの観点から,クラスプロトタイプを用いた新しい擬似ラベリング手法を開発した。手動で特定の確率尺度を設定することで、ノイズと長い尾を持つデータの副作用を同時に減らすことができる。本手法は, クリーンなラベル付きクラスバランスサブセットを抽出し, ラベルノイズ付きロングテール分類において, 効果的な性能向上を実現する。
論文参考訳（メタデータ） (2024-04-10T07:34:37Z)
Group Benefits Instances Selection for Data Purification [21.977432359384835]
ラベルノイズと戦う既存の方法は通常、合成データセット上で設計およびテストされる。本稿では,合成および実世界の両方のデータセットに対するノイズラベル問題を緩和するGRIPという手法を提案する。
論文参考訳（メタデータ） (2024-03-23T03:06:19Z)
Manifold DivideMix: A Semi-Supervised Contrastive Learning Framework for Severe Label Noise [4.90148689564172]
実世界のデータセットには、データセットのどのクラスにも意味のないノイズの多いラベルサンプルが含まれている。最先端の手法の多くは、IDラベル付きノイズサンプルを半教師付き学習のためのラベルなしデータとして利用する。自己指導型トレーニングの利点を生かして,すべてのトレーニングデータからの情報を活用することを提案する。
論文参考訳（メタデータ） (2023-08-13T23:33:33Z)
Learning with Noisy Labels Revisited: A Study Using Real-World Human Annotations [54.400167806154535]
ノイズラベルを用いた学習に関する既存の研究は、主に合成ラベルノイズに焦点を当てている。本研究は2つの新しいベンチマークデータセット(CIFAR-10N, CIFAR-100N)を示す。実世界のノイズラベルは古典的に採用されたクラス依存のラベルではなく、インスタンス依存のパターンに従うことを示す。
論文参考訳（メタデータ） (2021-10-22T22:42:11Z)
Noise-Resistant Deep Metric Learning with Probabilistic Instance Filtering [59.286567680389766]
ノイズラベルは現実世界のデータによく見られ、ディープニューラルネットワークの性能劣化を引き起こす。 DMLのための確率的ランク付けに基づくメモリを用いたインスタンス選択(PRISM)手法を提案する。 PRISMはラベルがクリーンである確率を計算し、潜在的にノイズの多いサンプルをフィルタリングする。
論文参考訳（メタデータ） (2021-08-03T12:15:25Z)
Ensemble Learning with Manifold-Based Data Splitting for Noisy Label Correction [20.401661156102897]
トレーニングデータのノイズラベルはモデルの一般化性能を著しく低下させる特徴多様体の局所構造を利用して雑音ラベルを補正するアンサンブル学習法を提案する。実世界の雑音ラベルデータセットに関する実験では,提案手法が既存手法よりも優れていることが示された。
論文参考訳（メタデータ） (2021-03-13T07:24:58Z)
Tackling Instance-Dependent Label Noise via a Universal Probabilistic Model [80.91927573604438]
本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
論文参考訳（メタデータ） (2021-01-14T05:43:51Z)
Extended T: Learning with Mixed Closed-set and Open-set Noisy Labels [86.5943044285146]
ラベルノイズ遷移行列$T$は、真のラベルがノイズのあるものへと反転する確率を反映する。本稿では,閉集合と開集合の混在したラベル雑音下での学習に着目した。本手法は,従来の最先端のラベル雑音学習法よりも頑健な性能を追求し,混合ラベル雑音をモデル化する。
論文参考訳（メタデータ） (2020-12-02T02:42:45Z)
GANs for learning from very high class conditional noisy labels [1.6516902135723865]
我々は、GAN(Generative Adversarial Networks)を用いて、バイナリ分類のためのクラス条件付きラベルノイズ(CCN)ロバストなスキームを設計する。まず、ノイズラベル付きデータと0.1%または1%クリーンラベルから正しいラベル付きデータポイントのセットを生成する。
論文参考訳（メタデータ） (2020-10-19T15:01:11Z)
Label Noise Types and Their Effects on Deep Learning [0.0]
本研究では,異なる種類のラベルノイズが学習に与える影響を詳細に分析する。本稿では,特徴に依存したラベルノイズを生成する汎用フレームワークを提案する。他の研究者がノイズの多いラベルでアルゴリズムをテストしやすいように、最も一般的に使用されているベンチマークデータセットに対して、破損したラベルを共有します。
論文参考訳（メタデータ） (2020-03-23T18:03:39Z)
Multi-Class Classification from Noisy-Similarity-Labeled Data [98.13491369929798]
雑音に類似したラベル付きデータのみから学習する方法を提案する。ノイズ遷移行列を用いて、クリーンデータとノイズデータの間にクラス後確率をブリッジする。雑音のないクラスラベルをインスタンスに割り当てる新しい学習システムを構築した。
論文参考訳（メタデータ） (2020-02-16T05:10:21Z)

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。