Fugu-MT 論文翻訳(概要): ZLPR: A Novel Loss for Multi-label Classification

論文の概要: ZLPR: A Novel Loss for Multi-label Classification

arxiv url: http://arxiv.org/abs/2208.02955v1
Date: Fri, 5 Aug 2022 02:36:16 GMT
ステータス: 処理完了
システム内更新日: 2022-08-08 12:10:58.652611
Title: ZLPR: A Novel Loss for Multi-label Classification
Title（参考訳）: zlpr:マルチラベル分類のための新しい損失
Authors: Jianlin Su, Mingren Zhu, Ahmed Murtadha, Shengfeng Pan, Bo Wen, Yunfeng Liu
Abstract要約: 本稿では,ZLPR(ゼロバウンドなlog-sum-expとペアのランクベース)の損失を提案する。 ZLPRは、ターゲットラベルの数が不確実な問題に対処することができる。計算複雑性の面では、ZLPRはBR法と競合するが、これはその予測がラベルに依存しないためである。
参考スコア（独自算出の注目度）: 4.008465268899542
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In the era of deep learning, loss functions determine the range of tasks available to models and algorithms. To support the application of deep learning in multi-label classification (MLC) tasks, we propose the ZLPR (zero-bounded log-sum-exp \& pairwise rank-based) loss in this paper. Compared to other rank-based losses for MLC, ZLPR can handel problems that the number of target labels is uncertain, which, in this point of view, makes it equally capable with the other two strategies often used in MLC, namely the binary relevance (BR) and the label powerset (LP). Additionally, ZLPR takes the corelation between labels into consideration, which makes it more comprehensive than the BR methods. In terms of computational complexity, ZLPR can compete with the BR methods because its prediction is also label-independent, which makes it take less time and memory than the LP methods. Our experiments demonstrate the effectiveness of ZLPR on multiple benchmark datasets and multiple evaluation metrics. Moreover, we propose the soft version and the corresponding KL-divergency calculation method of ZLPR, which makes it possible to apply some regularization tricks such as label smoothing to enhance the generalization of models.
Abstract（参考訳）: ディープラーニングの時代において、損失関数はモデルやアルゴリズムで利用可能なタスクの範囲を決定する。マルチラベル分類(MLC)タスクにおけるディープラーニングの適用を支援するため,本稿ではZLPR(ゼロバウンドなlog-sum-exp \&ペアのランクベース)の損失を提案する。 MLCの他のランクベースの損失と比較すると、ZLPRはターゲットラベルの数が不確実であるという問題を補うことができ、この観点では、MLCでよく使われる他の2つの戦略、すなわちバイナリ・レバレンス(BR)とラベル・パワーセット(LP)と同等に機能する。さらに、ZLPRはラベル間のコラボレーションを考慮しており、BR法よりも包括的である。計算複雑性の面では、ZLPRはBR法と競合するが、これはその予測がラベルに依存しないためであり、LP法よりも時間とメモリが短いためである。本実験は、複数のベンチマークデータセットと複数の評価指標に対するZLPRの有効性を示す。また,ZLPRのソフトバージョンと対応するKL分割計算手法を提案し,ラベルの平滑化などの正規化手法を適用し,モデルの一般化を促進する。

関連論文リスト

Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
論文参考訳（メタデータ） (2024-07-26T09:33:53Z)
RankMatch: A Novel Approach to Semi-Supervised Label Distribution Learning Leveraging Inter-label Correlations [52.549807652527306]
本稿では,SSLDL (Semi-Supervised Label Distribution Learning) の革新的なアプローチである RankMatch を紹介する。 RankMatchは、ラベルのない大量のデータとともに、少数のラベル付き例を効果的に活用する。我々はRandMatchに縛られる理論的な一般化を確立し、広範な実験を通じて既存のSSLDL法に対する性能上の優位性を実証した。
論文参考訳（メタデータ） (2023-12-11T12:47:29Z)
Learning in Imperfect Environment: Multi-Label Classification with Long-Tailed Distribution and Partial Labels [53.68653940062605]
新しいタスク, 部分ラベリングとLong-Tailed Multi-Label Classification (PLT-MLC) を導入する。その結果,ほとんどのLT-MLCとPL-MLCは劣化MLCの解決に失敗していることがわかった。 textbfCOrrection $rightarrow$ textbfModificattextbfIon $rightarrow$ balantextbfCe。
論文参考訳（メタデータ） (2023-04-20T20:05:08Z)
Easy Learning from Label Proportions [17.71834385754893]
Easyllpは、アグリゲーションラベルに基づいた、柔軟で簡単に実装可能なデバイアス方式である。我々の手法は、任意のモデルが個々のレベルで予想される損失を正確に見積もることができる。
論文参考訳（メタデータ） (2023-02-06T20:41:38Z)
Multi-Instance Partial-Label Learning: Towards Exploiting Dual Inexact Supervision [53.530957567507365]
実世界のタスクでは、各トレーニングサンプルは、1つの基底真実ラベルといくつかの偽陽性ラベルを含む候補ラベルセットに関連付けられている。本稿では,Multi-instance partial-label learning (MIPL) などの問題を定式化する。既存のマルチインスタンス学習アルゴリズムと部分ラベル学習アルゴリズムはMIPL問題の解法に最適である。
論文参考訳（メタデータ） (2022-12-18T03:28:51Z)
Learning from Label Proportions by Learning with Label Noise [30.7933303912474]
ラベル比例(LLP)からの学習は、データポイントをバッグに分類する弱い教師付き分類問題である。ラベル雑音による学習の低減に基づくLLPに対する理論的基礎的なアプローチを提案する。このアプローチは、複数のデータセットやアーキテクチャにわたるディープラーニングシナリオにおける経験的パフォーマンスの向上を実証する。
論文参考訳（メタデータ） (2022-03-04T18:52:21Z)
PLM: Partial Label Masking for Imbalanced Multi-label Classification [59.68444804243782]
長いラベルの分布を持つ実世界のデータセットで訓練されたニューラルネットワークは、頻繁なクラスに偏りがあり、頻繁なクラスでは不十分である。本稿では,この比率を利用したPLM(Partial Label Masking)を提案する。本手法は,マルチラベル (MultiMNIST と MSCOCO) とシングルラベル (CIFAR-10 と CIFAR-100) の2つの画像分類データセットにおいて,既存の手法と比較して高い性能を実現する。
論文参考訳（メタデータ） (2021-05-22T18:07:56Z)
Two-stage Training for Learning from Label Proportions [18.78148397471913]
ラベルパーセンテージ(LLP)からの学習は、グループ化されたトレーニングデータにおいてラベルパーセンテージを持つインスタンスレベルの分類器を学習することを目的としている。ラベルノイズをさらに低減するために,混合戦略と対称クロスエントロピーを導入する。我々のフレームワークはモデルに依存しず、広範な実験において魅力的なパフォーマンス向上を示す。
論文参考訳（メタデータ） (2021-05-22T03:55:35Z)
Positive semidefinite support vector regression metric learning [0.0]
これらのシナリオにおけるメートル法学習問題に対処するためにRAMLフレームワークが提案されている。計量学習に必要な正の半定距離メートル法を学習することはできない。弱さを克服するために2つのメソドを提案する。
論文参考訳（メタデータ） (2020-08-18T04:45:59Z)
SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
論文参考訳（メタデータ） (2020-08-16T11:07:44Z)
Evolving Multi-label Classification Rules by Exploiting High-order Label Correlation [2.9822184411723645]
マルチラベル分類タスクでは、各問題インスタンスは同時に複数のクラスに関連付けられている。ラベル間の相関は、ペアワイズ相関の取得や高次相関の活用など、様々なレベルで利用することができる。本稿では,教師付き学習分類器システムを用いて,ラベルのサブセット内での高次ラベル相関を利用することを目的とする。
論文参考訳（メタデータ） (2020-07-22T18:13:12Z)

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。