論文の概要: Optimal Rejection Function Meets Character Recognition Tasks

• arxiv url: http://arxiv.org/abs/2203.09151v1
• Date: Thu, 17 Mar 2022 08:14:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-19 02:58:22.352098
• Title: Optimal Rejection Function Meets Character Recognition Tasks
• Title（参考訳）: 文字認識タスクに最適なリジェクション関数
• Authors: Xiaotong Ji, Yuchen Zheng, Daiki Suehiro, Seiichi Uchida
• Abstract要約: 本稿では,不明瞭なサンプルを拒絶関数で除去する最適な拒絶法を提案する。 この拒絶関数はLwR(Learning-with-Rejection)の枠組みの下で分類関数と共に訓練される NotMNIST分類とキャラクタ・ノンキャラクタ分類の広範な実験により,提案手法が従来の拒絶手法よりも優れた性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 8.373151777137792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose an optimal rejection method for rejecting ambiguous samples by a rejection function. This rejection function is trained together with a classification function under the framework of Learning-with-Rejection (LwR). The highlights of LwR are: (1) the rejection strategy is not heuristic but has a strong background from a machine learning theory, and (2) the rejection function can be trained on an arbitrary feature space which is different from the feature space for classification. The latter suggests we can choose a feature space that is more suitable for rejection. Although the past research on LwR focused only on its theoretical aspect, we propose to utilize LwR for practical pattern classification tasks. Moreover, we propose to use features from different CNN layers for classification and rejection. Our extensive experiments of notMNIST classification and character/non-character classification demonstrate that the proposed method achieves better performance than traditional rejection strategies.
• Abstract（参考訳）: 本稿では,不明瞭なサンプルを拒否関数で除去する最適な拒絶法を提案する。 この拒絶関数はlwr(learning-with-rejection)の枠組みの下で分類関数と共に訓練される。 lwrのハイライトは、(1)拒絶戦略はヒューリスティックではないが、機械学習理論からの強い背景を持ち、(2)拒絶関数は分類のための特徴空間とは異なる任意の特徴空間で訓練することができる。 後者は、拒絶にもっと適した機能空間を選択できることを示唆している。 LwRのこれまでの研究は理論的な側面にのみ焦点をあてたものの、我々はLwRを実用的なパターン分類タスクに活用することを提案する。 さらに,異なるCNN層の特徴を分類と拒絶に利用することを提案する。 NotMNIST分類とキャラクタ・ノンキャラクタ分類の広範な実験により,提案手法が従来の拒絶手法よりも優れた性能を実現することを示す。

関連論文リスト

• DeLR: Active Learning for Detection with Decoupled Localization and Recognition Query [53.54802901197267]
  本稿では,物体検出のための2つの重要な要素,すなわち局所化と認識を再考する。 そこで本研究では,アクティブクエリの局所化と認識をデカップリングする,効率的なクエリ戦略を提案する。
  論文  参考訳（メタデータ） (2023-12-28T09:58:32Z)
• A Comprehensive and Reliable Feature Attribution Method: Double-sided Remove and Reconstruct (DoRaR) [3.43406114216767]
  そこで本稿では,複数の改善手法に基づくDoRaR(Do-sided Remove and Reconstruct)特徴属性法を提案する。 我々は,DoRaR特徴属性法が上記の問題を効果的に回避し,他の最先端特徴属性法よりも優れた特徴セレクタの訓練を支援することを実証した。
  論文  参考訳（メタデータ） (2023-10-27T07:40:45Z)
• Stratified Adversarial Robustness with Rejection [33.72077702550626]
  本研究は, 階層化拒絶条件において, 否定を伴う逆ロバスト分類について検討する。 我々は,一貫性予測に基づくリジェクション(CPR)を用いた対人訓練という新しい防衛手法を提案する。 CPRは、アダプティブアタックによって既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-05-02T01:04:29Z)
• Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
  我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
  論文  参考訳（メタデータ） (2023-04-04T03:48:56Z)
• Learning When to Say "I Don't Know" [0.5505634045241288]
  本稿では,決定空間における不確実性領域を識別・除去するリジェクトオプション分類手法を提案する。 そこで我々は,相補的拒絶領域を解析し,クラスごとのソフトマックス閾値を学習するための検証セットを用いることにより,代替的な定式化を検討する。 提案手法の利点を,2次元点,画像,テキスト分類データセットを用いて評価した。
  論文  参考訳（メタデータ） (2022-09-11T21:50:03Z)
• RISAN: Robust Instance Specific Abstention Network [13.303728978965072]
  本稿では、インスタンスのアプスタンス(リジェクトオプション)のバイナリ分類を学習するためのディープアーキテクチャを提案する。 提案手法は、Kulin Shah と Naresh Manwani によって記述された二重シグモイド損失関数を用いる。 提案手法は最先端の手法に匹敵するだけでなく,ラベルノイズに対しても頑健である。
  論文  参考訳（メタデータ） (2021-07-07T09:14:54Z)
• Fairness via Representation Neutralization [60.90373932844308]
  フェアネスのための表現中立化(Representation Neutralization for Fairness, RNF)という新たな緩和手法を提案する。 RNFは、DNNモデルのタスク固有の分類ヘッダのみをデバイアスすることで、その公平性を達成する。 複数のベンチマークデータセットに対する実験結果は、DNNモデルの識別を効果的に削減するRNFフレームワークを実証している。
  論文  参考訳（メタデータ） (2021-06-23T22:26:29Z)
• Selective Probabilistic Classifier Based on Hypothesis Testing [14.695979686066066]
  分類器の閉世界仮定の違反に対処するためのシンプルで効果的な方法を提案する。 提案手法は確率的ネットワークを用いた仮説テストに基づく拒絶オプションである。 提案手法は, より広い操作範囲を達成でき, 代替手段よりも低い偽陽性比をカバーできることが示されている。
  論文  参考訳（メタデータ） (2021-05-09T08:55:56Z)
• Classification with Rejection Based on Cost-sensitive Classification [83.50402803131412]
  学習のアンサンブルによる拒絶を用いた新しい分類法を提案する。 実験により, クリーン, ノイズ, 正の未ラベル分類における提案手法の有用性が示された。
  論文  参考訳（メタデータ） (2020-10-22T14:05:05Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)
• L2R2: Leveraging Ranking for Abductive Reasoning [65.40375542988416]
  学習システムの帰納的推論能力を評価するために,帰納的自然言語推論タスク(alpha$NLI)を提案する。 新たな$L2R2$アプローチは、Learning-to-rankフレームワークの下で提案されている。 ARTデータセットの実験は、公開リーダボードの最先端に到達します。
  論文  参考訳（メタデータ） (2020-05-22T15:01:23Z)

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。