論文の概要: Learning from Positive and Unlabeled Data with Augmented Classes
- arxiv url: http://arxiv.org/abs/2207.13274v1
- Date: Wed, 27 Jul 2022 03:40:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-28 13:47:09.597196
- Title: Learning from Positive and Unlabeled Data with Augmented Classes
- Title(参考訳): 拡張クラスによるポジティブデータとラベルなしデータからの学習
- Authors: Zhongnian Li, Liutao Yang, Zhongchen Ma, Tongfeng Sun, Xinzheng Xu and
Daoqiang Zhang
- Abstract要約: Augmented Classes (PUAC) を用いたPU学習のための非バイアスリスク推定器を提案する。
提案手法は,最適解への収束を理論的に保証する推定誤差を導出する。
- 参考スコア(独自算出の注目度): 17.97372291914351
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Positive Unlabeled (PU) learning aims to learn a binary classifier from only
positive and unlabeled data, which is utilized in many real-world scenarios.
However, existing PU learning algorithms cannot deal with the real-world
challenge in an open and changing scenario, where examples from unobserved
augmented classes may emerge in the testing phase. In this paper, we propose an
unbiased risk estimator for PU learning with Augmented Classes (PUAC) by
utilizing unlabeled data from the augmented classes distribution, which can be
easily collected in many real-world scenarios. Besides, we derive the
estimation error bound for the proposed estimator, which provides a theoretical
guarantee for its convergence to the optimal solution. Experiments on multiple
realistic datasets demonstrate the effectiveness of proposed approach.
- Abstract(参考訳): Positive Unlabeled (PU) 学習は、多くの実世界のシナリオで使用される正および未ラベルのデータのみからバイナリ分類器を学習することを目的としている。
しかし、既存のPU学習アルゴリズムは、未観測の拡張クラスからの例がテストフェーズに現れるような、オープンで変化するシナリオにおいて、現実世界の課題に対処できない。
本稿では,多数の実世界のシナリオで容易に収集可能な拡張クラス分布からのラベル付きデータを活用することにより,PUACを用いたPU学習の非バイアスリスク推定手法を提案する。
さらに,提案した推定器に対する推定誤差を導出し,最適解への収束を理論的に保証する。
複数の現実的なデータセットの実験は、提案手法の有効性を示す。
関連論文リスト
- SimPro: A Simple Probabilistic Framework Towards Realistic Long-Tailed
Semi-Supervised Learning [56.13438490600715]
ラベルなしデータの分散に関する前提を前提としない、高度に適応可能なフレームワークをSimProとして提案する。
我々のフレームワークは確率モデルに基づいており、期待最大化アルゴリズムを革新的に洗練する。
本手法は,様々なベンチマークやデータ分散シナリオにまたがる一貫した最先端性能を示す。
論文 参考訳(メタデータ) (2024-02-21T03:39:04Z) - Uncertainty-Aware Partial-Label Learning [0.0]
本稿では, Dempster-Shafer 理論を応用した, 近接する部分ラベル学習アルゴリズムを提案する。
人工的および実世界のデータセットに対する実験により,提案手法はよく校正された不確実性推定を提供し,競合予測性能を実現することを示した。
論文 参考訳(メタデータ) (2024-02-01T13:41:44Z) - The Selected-completely-at-random Complementary Label is a Practical
Weak Supervision for Multi-class Classification [71.42360409393201]
補完ラベル学習は、弱教師付き学習問題である。
均一分布仮定に依存しない一貫した手法を提案する。
相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文 参考訳(メタデータ) (2023-11-27T02:59:17Z) - A Generalized Unbiased Risk Estimator for Learning with Augmented
Classes [70.20752731393938]
ラベルなしのデータが与えられた場合、非バイアスリスク推定器(URE)が導出され、理論的保証のあるLACでは最小限にすることができる。
理論的な保証を維持しつつ任意の損失関数を装備できる一般化されたUREを提案する。
論文 参考訳(メタデータ) (2023-06-12T06:52:04Z) - Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised
Learning [73.31528264881868]
オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。
本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。
Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
論文 参考訳(メタデータ) (2023-03-21T09:07:15Z) - Complementary Labels Learning with Augmented Classes [22.460256396941528]
補完ラベル学習 (Complementary Labels Learning, CLL) は、プライベート質問分類やオンライン学習など、現実世界の多くのタスクに現れる。
CLLAC(Complementary Labels Learning with Augmented Classs)と呼ばれる新しい問題設定を提案する。
ラベルのないデータを用いて,CLLACの分類リスクの偏りのない推定手法を提案する。
論文 参考訳(メタデータ) (2022-11-19T13:55:27Z) - Agree to Disagree: Diversity through Disagreement for Better
Transferability [54.308327969778155]
本稿では,D-BAT(Diversity-By-dis-Agreement Training)を提案する。
我々は、D-BATが一般化された相違の概念から自然に現れることを示す。
論文 参考訳(メタデータ) (2022-02-09T12:03:02Z) - Learning from Similarity-Confidence Data [94.94650350944377]
類似度信頼性(Sconf)データから学習する新しい弱監督学習問題について検討する。
本研究では,Sconfデータのみから計算可能な分類リスクの非バイアス推定器を提案し,推定誤差境界が最適収束率を達成することを示す。
論文 参考訳(メタデータ) (2021-02-13T07:31:16Z)
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。