論文の概要: Progressive Purification for Instance-Dependent Partial Label Learning
- arxiv url: http://arxiv.org/abs/2206.00830v1
- Date: Thu, 2 Jun 2022 02:07:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-03 14:28:16.363342
- Title: Progressive Purification for Instance-Dependent Partial Label Learning
- Title（参考訳）: インスタンス依存型部分ラベル学習のためのプログレッシブ・パーフィケーション
- Authors: Ning Xu, Jiaqi Lv, Biao Liu, Congyu Qiao, and Xin Geng
- Abstract要約: 部分ラベル学習 (Partial label learning, PLL) は、部分ラベル (PL) を持つインスタンスから多クラス分類器を訓練することを目的としており、そのインスタンスは固定だが未知の候補が真のラベルである候補ラベルのセットである。
本稿では,POP (PrO Purification) とよばれる,理論的に基礎的かつ実用的な手法を提案する。
- 参考スコア（独自算出の注目度）: 37.65717805892473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Partial label learning (PLL) aims to train multi-class classifiers from
instances with partial labels (PLs)-a PL for an instance is a set of candidate
labels where a fixed but unknown candidate is the true label. In the last few
years, the instance-independent generation process of PLs has been extensively
studied, on the basis of which many practical and theoretical advances have
been made in PLL, whereas relatively less attention has been paid to the
practical setting of instance-dependent PLs, namely, the PL depends not only on
the true label but the instance itself. In this paper, we propose a
theoretically grounded and practically effective approach called PrOgressive
Purification (POP) for instance-dependent PLL: in each epoch, POP updates the
learning model while purifying each PL for the next epoch of the model training
by progressively moving out false candidate labels. Theoretically, we prove
that POP enlarges the region appropriately fast where the model is reliable,
and eventually approximates the Bayes optimal classifier with mild assumptions;
technically, POP is flexible with arbitrary losses and compatible with deep
networks, so that the previous advanced PLL losses can be embedded in it and
the performance is often significantly improved.
- Abstract（参考訳）: 部分ラベル学習 (Partial label learning, PLL) は、部分ラベル(PL)を持つインスタンスから複数のクラス分類器を訓練することを目的としている。
近年、PLのインスタンス非依存生成プロセスが広く研究され、PLLにおける実用的および理論的進歩が数多くなされているのに対して、PLの実用的設定には比較的注意が払われていない、すなわち、PLは真のラベルだけでなく、インスタンス自体にも依存している。
本稿では,POPが学習モデルを更新し,各PLをモデル学習の次のエポックに利用し,偽の候補ラベルを段階的に移動させることにより,理論的に基礎的かつ実用的な手法であるPrOgressive Purification(POP)を提案する。
理論的には、popはモデルが信頼できる領域を適切に拡大し、最終的にベイズ最適分類器を軽度な仮定で近似することを証明する。技術的には、popは任意の損失で柔軟であり、ディープネットワークと互換性があるため、以前の高度なpll損失を組み込むことができ、パフォーマンスが大幅に向上することが多い。
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) - 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) - Decomposition-based Generation Process for Instance-Dependent Partial
Label Learning [45.133781119468836]
部分ラベル学習(Partial label learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニング例は、その中の1つだけが真である候補ラベルのセットに関連付けられている。
既存のほとんどのアプローチでは、トレーニングサンプルの誤りラベルを候補ラベルとしてランダムに選択し、候補ラベルの生成プロセスを簡単な方法でモデル化する。
候補ラベルの明示的にモデル化された生成プロセスに基づいて,最大Aポストミラー(MAP)を提案する。
論文 参考訳（メタデータ） (2022-04-08T05:18:51Z) - Instance-Dependent Partial Label Learning [69.49681837908511]
部分ラベル学習は、典型的には弱教師付き学習問題である。
既存のほとんどのアプローチでは、トレーニングサンプルの間違ったラベルがランダムに候補ラベルとして選択されていると仮定している。
本稿では,各例が実数で構成された潜在ラベル分布と関連していると仮定する。
論文 参考訳（メタデータ） (2021-10-25T12:50:26Z) - 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) - Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。
既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。
本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T08:35:15Z)
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。