論文の概要: ULF: Unsupervised Labeling Function Correction using Cross-Validation for Weak Supervision

• arxiv url: http://arxiv.org/abs/2204.06863v1
• Date: Thu, 14 Apr 2022 10:29:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-15 21:16:20.231843
• Title: ULF: Unsupervised Labeling Function Correction using Cross-Validation for Weak Supervision
• Title（参考訳）: ULF: Cross-Validation を用いた非教師付きラベリング関数補正
• Authors: Anastasiia Sedova, Benjamin Roth
• Abstract要約: k-foldクロスバリデーションの原理に基づいて,弱い監視のためのノイズ低減手法について検討する。 特に,手動でアノテートしたデータの誤検出を行う2つのフレームワークを弱教師付き設定に拡張する。 クラスへのLFの割り当てを洗練させるULFと呼ばれる弱い注釈付きデータを復号化するための新しいアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 4.0810783261728565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A way to overcome expensive and time-consuming manual data labeling is weak supervision - automatic annotation of data samples via a predefined set of labeling functions (LFs), rule-based mechanisms that generate potentially erroneous labels. In this work, we investigate noise reduction techniques for weak supervision based on the principle of k-fold cross-validation. In particular, we extend two frameworks for detecting the erroneous samples in manually annotated data to the weakly supervised setting. Our methods profit from leveraging the information about matching LFs and detect noisy samples more accurately. We also introduce a new algorithm for denoising the weakly annotated data called ULF, that refines the allocation of LFs to classes by estimating the reliable LFs-to-classes joint matrix. Evaluation on several datasets shows that ULF successfully improves weakly supervised learning without using any manually labeled data.
• Abstract（参考訳）: 高価で時間を要する手動データラベリングを克服する方法は、監督の弱い - 事前に定義されたラベル付け関数セット(LF)を通じてデータサンプルを自動的にアノテーションする。 そこで本研究では,k-foldcross-validationの原理に基づく弱監視のための雑音低減手法について検討する。 特に,手動で注釈付きデータの誤検出を行う2つのフレームワークを弱教師付き設定に拡張する。 本手法は,一致したlf情報を活用することで,より正確に雑音サンプルを検出できる。 また,信頼性の高いLF-to-classes結合行列を推定することにより,クラスへのLFの割り当てを洗練させる,ULFと呼ばれる弱い注釈付きデータを復調するアルゴリズムも導入する。 いくつかのデータセットの評価は、ULFが手動でラベル付けされたデータを用いることなく、弱教師付き学習を改善することを示す。

関連論文リスト

• Co-training for Low Resource Scientific Natural Language Inference [65.37685198688538]
  遠隔教師付きラベルに分類器のトレーニング力学に基づいて重みを割り当てる新しいコトレーニング手法を提案する。 予測された信頼度に対する任意のしきい値に基づいてサンプルをフィルタリングするのではなく、重要重みを割り当てることにより、自動ラベル付きデータの使用を最大化する。 提案手法は、遠隔監視ベースラインに対するマクロF1の1.5%の改善と、他の強力なSSLベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-06-20T18:35:47Z)
• Less is More: Pseudo-Label Filtering for Continual Test-Time Adaptation [13.486951040331899]
  連続的テスト時間適応(CTTA)は、ソースデータにアクセスすることなく、テストフェーズ中に対象ドメインのシーケンスに事前訓練されたモデルを適用することを目的としている。 既存の方法は、すべてのサンプルに対して擬似ラベルを構築し、自己学習を通じてモデルを更新することに依存している。 擬似ラベルの品質を向上させるために擬似ラベルフィルタ(PLF)を提案する。
  論文  参考訳（メタデータ） (2024-06-03T04:09:36Z)
• Uncertainty-Aware Pseudo-Label Filtering for Source-Free Unsupervised Domain Adaptation [45.53185386883692]
  Source-free unsupervised domain adapt (SFUDA) は、訓練済みのソースモデルを、ソースデータにアクセスすることなく、ラベルなしのターゲットドメインで利用できるようにすることを目的としている。 本稿では,不確かさを意識したPseudo-label-filtering Adaptation (UPA) という手法を提案する。
  論文  参考訳（メタデータ） (2024-03-17T16:19:40Z)
• Parameter-tuning-free data entry error unlearning with adaptive selective synaptic dampening [51.34904967046097]
  本稿では,パラメータチューニングの必要性を排除した選択的シナプス減衰アンラーニング法の拡張を提案する。 本稿では,ResNet18とVision Transformerの未学習タスクにおける適応選択的シナプス減衰(ASSD)の性能を示す。 このアプローチの適用は、サプライチェーン管理などの産業環境において特に魅力的である。
  論文  参考訳（メタデータ） (2024-02-06T14:04:31Z)
• Leveraging Instance Features for Label Aggregation in Programmatic Weak Supervision [75.1860418333995]
  Programmatic Weak Supervision (PWS) は、トレーニングラベルを効率的に合成するための広く普及したパラダイムとして登場した。 PWSのコアコンポーネントはラベルモデルであり、複数のノイズ管理ソースの出力をラベル関数として集約することで、真のラベルを推論する。 既存の統計ラベルモデルは一般的にLFの出力のみに依存し、基礎となる生成過程をモデル化する際のインスタンスの特徴を無視している。
  論文  参考訳（メタデータ） (2022-10-06T07:28:53Z)
• Sparse Conditional Hidden Markov Model for Weakly Supervised Named Entity Recognition [68.68300358332156]
  雑音ラベリング機能を評価するために,スパース条件付き隠れマルコフモデル(Sparse-CHMM)を提案する。 Sparse-CHMMは、3段階のトレーニングパイプラインで教師なし学習によって最適化される。 5つの包括的なデータセットで平均F1スコアが3.01向上する。
  論文  参考訳（メタデータ） (2022-05-27T20:47:30Z)
• Label Augmentation with Reinforced Labeling for Weak Supervision [0.1529342790344802]
  本稿では, 強化ラベリング (RL) と呼ばれる新しい手法を提案する。 RLはサンプル間の類似性に基づいてLFがカバーしていないケースに対してLFの出力を増大させる。 いくつかのドメインの実験(YouTubeコメントの分類、ワインの品質、天気予報)により、かなりの利益が得られた。
  論文  参考訳（メタデータ） (2022-04-13T14:54:02Z)
• Learning to Robustly Aggregate Labeling Functions for Semi-supervised Data Programming [14.639568384768042]
  教師付き機械学習における重要なボトルネックは、大量のラベル付きデータを必要とすることである。 本研究では,この2つの限界を解くために,LFに基づく再重み付けフレームワークである ouralgoを提案する。 本アルゴリズムは、LF誘導に使用されるラベル付きデータセットと、ラベルなしデータとの結合モデルを半教師付きで学習する。
  論文  参考訳（メタデータ） (2021-09-23T14:42:46Z)
• Cycle Self-Training for Domain Adaptation [85.14659717421533]
  Cycle Self-Training (CST) は、ドメイン間の一般化に擬似ラベルを強制する、原則付き自己学習アルゴリズムである。 CSTは目標の真理を回復し、不変の機能学習とバニラ自己訓練の両方が失敗する。 実験結果から,標準的なUDAベンチマークでは,CSTは先行技術よりも大幅に改善されていることが示唆された。
  論文  参考訳（メタデータ） (2021-03-05T10:04:25Z)
• Self-Tuning for Data-Efficient Deep Learning [75.34320911480008]
  セルフチューニングは、データ効率のよいディープラーニングを可能にする新しいアプローチである。 ラベル付きおよびラベルなしデータの探索と事前訓練されたモデルの転送を統一する。 SSLとTLの5つのタスクをシャープなマージンで上回ります。
  論文  参考訳（メタデータ） (2021-02-25T14:56:19Z)

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。