論文の概要: Nearest Neighbor Classifier with Margin Penalty for Active Learning

• arxiv url: http://arxiv.org/abs/2203.09174v2
• Date: Fri, 18 Mar 2022 10:21:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-21 13:30:12.048012
• Title: Nearest Neighbor Classifier with Margin Penalty for Active Learning
• Title（参考訳）: アクティブラーニングのためのマージンペナルティ付き最寄り隣接分類器
• Authors: Yuan Cao, Zhiqiao Gao, Jie Hu, Mingchuan Yang
• Abstract要約: アクティブラーニング(NCMAL)のためのペナルティ付き近親類型分類器を提案する。 第一に、クラス間で強制的マージンペナルティが加えられるため、クラス間の不一致とクラス内のコンパクトさが保証される。 次に,新たなサンプル選択手法を提案する。
• 参考スコア（独自算出の注目度）: 8.689993629819789
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As deep learning becomes the mainstream in the field of natural language processing, the need for suitable active learning method are becoming unprecedented urgent. Active Learning (AL) methods based on nearest neighbor classifier are proposed and demonstrated superior results. However, existing nearest neighbor classifier are not suitable for classifying mutual exclusive classes because inter-class discrepancy cannot be assured by nearest neighbor classifiers. As a result, informative samples in the margin area can not be discovered and AL performance are damaged. To this end, we propose a novel Nearest neighbor Classifier with Margin penalty for Active Learning(NCMAL). Firstly, mandatory margin penalty are added between classes, therefore both inter-class discrepancy and intra-class compactness are both assured. Secondly, a novel sample selection strategy are proposed to discover informative samples within the margin area. To demonstrate the effectiveness of the methods, we conduct extensive experiments on for datasets with other state-of-the-art methods. The experimental results demonstrate that our method achieves better results with fewer annotated samples than all baseline methods.
• Abstract（参考訳）: 自然言語処理の分野でディープラーニングが主流となるにつれ、適切な能動的学習手法の必要性は先例のない急進的になりつつある。 隣り合う分類器に基づくアクティブラーニング(AL)手法を提案し,優れた結果を示した。 しかし、既存の隣り合う分類器は互いに排他的なクラスを分類するのに適していない。 その結果、マージン領域における情報サンプルが発見できず、AL性能が損なわれる。 そこで本研究では,NCMAL(Nest Nearest neighbor Classifier with Margin penalty for Active Learning)を提案する。 まず、クラス間で強制的なマージンペナルティが加えられ、クラス間の不一致とクラス内コンパクト性の両方が保証される。 次に,新しいサンプル選択戦略を提案し,マージン領域内で有意義なサンプルを探索する。 提案手法の有効性を実証するため,他の最先端手法を用いたデータセットに対する広範な実験を行った。 実験の結果,全てのベースライン法よりも少ないアノテート標本で良好な結果が得られることがわかった。

関連論文リスト

• Shrinking Class Space for Enhanced Certainty in Semi-Supervised Learning [59.44422468242455]
  そこで我々はShrinkMatchと呼ばれる新しい手法を提案し、不確実なサンプルを学習する。 それぞれの不確実なサンプルに対して、元の Top-1 クラスを単に含むスランク類空間を適応的に求める。 次に、スランク空間における強と弱に強化された2つのサンプル間の整合正則化を課し、識別的表現を試みます。
  論文  参考訳（メタデータ） (2023-08-13T14:05:24Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• A Two-Stage Active Learning Algorithm for $k$-Nearest Neighbors [30.465766411820827]
  そこで本研究では,$k$-nearest 近所の分類器を訓練するための,シンプルで直感的な能動学習アルゴリズムを提案する。 提案手法により得られたサンプルに基づいてトレーニングした$k$-nearest 隣人分類器の整合性を保証する。
  論文  参考訳（メタデータ） (2022-11-19T19:06:36Z)
• Learning Acceptance Regions for Many Classes with Anomaly Detection [19.269724165953274]
  既存の集合値分類法の多くは、トレーニングデータに現れない新しいクラスがテストデータに現れる可能性を考慮していない。 テストデータに新しいクラスが存在する可能性を考慮しつつ,受入領域を推定する汎用予測セット(GPS)手法を提案する。 従来の手法とは異なり,提案手法は精度,効率,異常検出率のバランスが良好である。
  論文  参考訳（メタデータ） (2022-09-20T19:40:33Z)
• Local overlap reduction procedure for dynamic ensemble selection [13.304462985219237]
  クラス不均衡は、分類モデルにおいて学習をより困難にすることで知られる特徴である。 分類過程における局所クラス重複の影響を最小限に抑えるDS手法を提案する。 実験の結果,提案手法はベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2022-06-16T21:31:05Z)
• MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
  近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。 本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。 特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
  論文  参考訳（メタデータ） (2021-07-23T06:57:08Z)
• Minimax Active Learning [61.729667575374606]
  アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。 現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。 我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-18T19:03:40Z)
• Discriminative Nearest Neighbor Few-Shot Intent Detection by Transferring Natural Language Inference [150.07326223077405]
  データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。 深部自己注意を伴う識別的近傍分類を提示する。 自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
  論文  参考訳（メタデータ） (2020-10-25T00:39:32Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)

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。