Fugu-MT 論文翻訳(概要): ProPaLL: Probabilistic Partial Label Learning

論文の概要: ProPaLL: Probabilistic Partial Label Learning

arxiv url: http://arxiv.org/abs/2208.09931v1
Date: Sun, 21 Aug 2022 17:47:44 GMT
ステータス: 処理完了
システム内更新日: 2022-08-23 12:28:32.106014
Title: ProPaLL: Probabilistic Partial Label Learning
Title（参考訳）: ProPaLL:確率論的部分ラベル学習
Authors: {\L}ukasz Struski, Jacek Tabor, Bartosz Zieli\'nski
Abstract要約: 部分ラベル学習は弱い教師付き学習の一種であり、各トレーニングインスタンスは候補ラベルのセットに対応しており、そのうち1つだけが真実である。本稿では,この問題に対する新しい確率的アプローチであるProPaLLを紹介する。人工および実世界のデータセットで実施された実験は、ProPaLLが既存のアプローチより優れていることを示している。
参考スコア（独自算出の注目度）: 14.299728437638512
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Partial label learning is a type of weakly supervised learning, where each training instance corresponds to a set of candidate labels, among which only one is true. In this paper, we introduce ProPaLL, a novel probabilistic approach to this problem, which has at least three advantages compared to the existing approaches: it simplifies the training process, improves performance, and can be applied to any deep architecture. Experiments conducted on artificial and real-world datasets indicate that ProPaLL outperforms the existing approaches.
Abstract（参考訳）: 部分的ラベル学習は弱い教師付き学習の一種であり、各トレーニングインスタンスは候補ラベルのセットに対応し、1つだけが真である。本稿では,本問題に対する新しい確率論的アプローチであるProPaLLを紹介し,既存のアプローチと比較して少なくとも3つの利点がある。人工および実世界のデータセットで実施された実験は、ProPaLLが既存のアプローチより優れていることを示している。

関連論文リスト

Probably Approximately Precision and Recall Learning [62.912015491907994]
精度とリコールは機械学習の基本的な指標である。一方的なフィードバック – トレーニング中にのみ肯定的な例が観察される – は,多くの実践的な問題に固有のものだ。 PAC学習フレームワークでは,各仮説をグラフで表現し,エッジは肯定的な相互作用を示す。
論文参考訳（メタデータ） (2024-11-20T04:21:07Z)
ProPML: Probability Partial Multi-label Learning [12.814910734614351]
部分的多ラベル学習(Partial Multi-label Learning, PML)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が候補ラベルの集合に対応する。本稿では,この問題に対する新しい確率的アプローチとして,二項交叉エントロピーをPML設定に拡張する手法を提案する。
論文参考訳（メタデータ） (2024-03-12T12:40:23Z)
Joint empirical risk minimization for instance-dependent positive-unlabeled data [4.112909937203119]
正とラベルなしのデータ(PU学習)からの学習は、機械学習のタスクとして積極的に研究されている。目標は、ラベル付きインスタンスとラベルなしインスタンスの一部を含むデータセットに基づいて、バイナリ分類モデルをトレーニングすることだ。ラベルなし集合は、残りの部分の正と全ての負の観察を含む。
論文参考訳（メタデータ） (2023-12-27T12:45:12Z)
Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
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アプローチを提案する。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)
Can Class-Priors Help Single-Positive Multi-Label Learning? [40.312419865957224]
シングル陽性マルチラベル学習(SPMLL)は、典型的には弱教師付きマルチラベル学習問題である。クラスプライア推定器を導入し、理論上はクラスプライアに収束することが保証されているクラスプライアを推定することができる。推定されたクラスプライヤに基づいて、分類のための非バイアスリスク推定器が導出され、対応するリスク最小化器が、完全に教師されたデータ上で、最適リスク最小化器にほぼ収束することを保証できる。
論文参考訳（メタデータ） (2023-09-25T05:45:57Z)
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)
One Positive Label is Sufficient: Single-Positive Multi-Label Learning with Label Enhancement [71.9401831465908]
本研究では,SPMLL (Single- positive multi-label learning) について検討した。ラベルエンハンスメントを用いた単陽性MultIラベル学習という新しい手法を提案する。ベンチマークデータセットの実験により,提案手法の有効性が検証された。
論文参考訳（メタデータ） (2022-06-01T14:26:30Z)
Contrastive Learning for Fair Representations [50.95604482330149]
訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
論文参考訳（メタデータ） (2021-09-22T10:47:51Z)
An Effective Baseline for Robustness to Distributional Shift [5.627346969563955]
ディープラーニングシステムの安全なデプロイには,トレーニング中に見られるものと異なる入力のカテゴリに直面した場合,確実な予測を控えることが重要な要件である。本論文では, 吸収の原理を用いた分布異常検出の簡便かつ高効率な手法を提案する。
論文参考訳（メタデータ） (2021-05-15T00:46:11Z)
Learning the Truth From Only One Side of the Story [58.65439277460011]
一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
論文参考訳（メタデータ） (2020-06-08T18:20:28Z)

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。