論文の概要: Learning From Positive and Unlabeled Data Using Observer-GAN
- arxiv url: http://arxiv.org/abs/2208.12477v1
- Date: Fri, 26 Aug 2022 07:35:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-29 12:59:44.756487
- Title: Learning From Positive and Unlabeled Data Using Observer-GAN
- Title(参考訳): Observer-GAN を用いた正・未ラベルデータからの学習
- Authors: Omar Zamzam, Haleh Akrami, Richard Leahy
- Abstract要約: 正・未ラベルデータ(A.K.A. PU学習)から学習することの問題は、二項分類(正・負)において研究されている。
GAN(Generative Adversarial Networks)は、教師あり学習が分類タスクにおいて最先端の精度を持つという利点を生かして、教師あり設定に問題を還元するために使用されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The problem of learning from positive and unlabeled data (A.K.A. PU learning)
has been studied in a binary (i.e., positive versus negative) classification
setting, where the input data consist of (1) observations from the positive
class and their corresponding labels, (2) unlabeled observations from both
positive and negative classes. Generative Adversarial Networks (GANs) have been
used to reduce the problem to the supervised setting with the advantage that
supervised learning has state-of-the-art accuracy in classification tasks. In
order to generate \textit{pseudo}-negative observations, GANs are trained on
positive and unlabeled observations with a modified loss. Using both positive
and \textit{pseudo}-negative observations leads to a supervised learning
setting. The generation of pseudo-negative observations that are realistic
enough to replace missing negative class samples is a bottleneck for current
GAN-based algorithms. By including an additional classifier into the GAN
architecture, we provide a novel GAN-based approach. In our suggested method,
the GAN discriminator instructs the generator only to produce samples that fall
into the unlabeled data distribution, while a second classifier (observer)
network monitors the GAN training to: (i) prevent the generated samples from
falling into the positive distribution; and (ii) learn the features that are
the key distinction between the positive and negative observations. Experiments
on four image datasets demonstrate that our trained observer network performs
better than existing techniques in discriminating between real unseen positive
and negative samples.
- Abstract(参考訳): 正および無ラベルデータ(すなわちpu学習)からの学習の問題は、(1)正のクラスとその対応するラベルからの観察、(2)正のクラスと負のクラスからの無ラベルの観察からなる二項(すなわち正のクラスと負のクラス)の分類設定において研究されている。
GAN(Generative Adversarial Networks)は、教師あり学習が分類タスクにおいて最先端の精度を持つという利点により、教師あり設定に問題を還元するために使用されている。
textit{pseudo}-負の観測を生成するために、GANは修正された損失を伴う正および未ラベルの観測に基づいて訓練される。
正の観測と正の観測の両方を用いると、教師付き学習環境に繋がる。
負のクラスサンプルの欠如を置き換えるのに十分な現実的な擬陰性観測の生成は、現在のGANベースのアルゴリズムのボトルネックである。
GANアーキテクチャに新たな分類器を加えることで、新しいGANベースのアプローチを提供する。
提案手法では、GAN識別器は、未ラベルデータ分布に該当するサンプルのみを生成するようにジェネレータに指示する一方、第2の分類器(オブザーバ)ネットワークは、GANのトレーニングをモニターする。
(i)生成した試料が正の分布に落ちないようにする。
(二)正の観測と負の観測とを区別した特徴を学習すること。
4つの画像データセットの実験により、我々のトレーニングされたオブザーバネットワークは、実際の見つからない正と負のサンプルを識別する既存の技術よりも優れた性能を示した。
関連論文リスト
- Contrastive Learning with Negative Sampling Correction [52.990001829393506]
PUCL(Positive-Unlabeled Contrastive Learning)という新しいコントラスト学習手法を提案する。
PUCLは生成した負のサンプルをラベルのないサンプルとして扱い、正のサンプルからの情報を用いて、対照的な損失のバイアスを補正する。
PUCLは一般的なコントラスト学習問題に適用でき、様々な画像やグラフの分類タスクにおいて最先端の手法より優れている。
論文 参考訳(メタデータ) (2024-01-13T11:18:18Z) - Better Sampling of Negatives for Distantly Supervised Named Entity
Recognition [39.264878763160766]
本稿では, 正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正
提案手法は,4つの遠隔教師付きNERデータセットに対して一貫した性能向上を実現する。
論文 参考訳(メタデータ) (2023-05-22T15:35:39Z) - Cluster-guided Contrastive Graph Clustering Network [53.16233290797777]
クラスタ誘導コントラストグラフクラスタリングネットワーク(CCGC)を提案する。
我々は、兄弟のサブネットワーク間で重みが共有されない特別なシームズエンコーダを設計することにより、グラフの2つのビューを構築する。
意味的な負のサンプルペアを構築するために、異なる高信頼度クラスタの中心を負のサンプルとみなす。
論文 参考訳(メタデータ) (2023-01-03T13:42:38Z) - Dist-PU: Positive-Unlabeled Learning from a Label Distribution
Perspective [89.5370481649529]
本稿では,PU学習のためのラベル分布視点を提案する。
そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。
提案手法の有効性を3つのベンチマークデータセットで検証した。
論文 参考訳(メタデータ) (2022-12-06T07:38:29Z) - Classification from Positive and Biased Negative Data with Skewed
Labeled Posterior Probability [0.0]
正負負の分類問題 (PbN) にアプローチする新しい手法を提案する。
本手法は, 観測データの正の後方確率を表すスキュード信頼による負の影響を補正する手法を組み込んだものである。
論文 参考訳(メタデータ) (2022-03-11T04:31:35Z) - Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。
これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
論文 参考訳(メタデータ) (2021-06-20T17:34:55Z) - Relation-aware Graph Attention Model With Adaptive Self-adversarial
Training [29.240686573485718]
本稿では,不均一なマルチリレーショナルグラフにおける関係予測タスクのエンドツーエンドソリューションについて述べる。
特にパイプライン内の2つのビルディングブロック、すなわちヘテロジニアスグラフ表現学習と負のサンプリングに対処する。
パラメータフリーな負のサンプリング手法であるadaptive self-adversarial (asa) 負のサンプリングを導入する。
論文 参考訳(メタデータ) (2021-02-14T16:11:56Z) - MixPUL: Consistency-based Augmentation for Positive and Unlabeled
Learning [8.7382177147041]
本稿では, 整合性正規化に基づく簡易かつ効果的なデータ拡張手法である coinedalgo を提案する。
アルゴインコーポレートは、拡張データを生成するために、教師付きおよび教師なしの一貫性トレーニングを行う。
我々は,CIFAR-10データセットの分類誤差を16.49から13.09まで,それぞれ異なる正のデータ量で平均的に改善したことを示す。
論文 参考訳(メタデータ) (2020-04-20T15:43:33Z) - Learning from Positive and Unlabeled Data with Arbitrary Positive Shift [11.663072799764542]
本稿では,未ラベルデータに対して任意の非表現陽性データであってもPU学習が可能であることを示す。
これを統計的に一貫した2つの手法に統合し、任意の正のバイアスに対処する。
実験により,多数の実世界のデータセットにまたがる手法の有効性が示された。
論文 参考訳(メタデータ) (2020-02-24T13:53:22Z) - Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。
提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
論文 参考訳(メタデータ) (2020-02-11T21:08:06Z) - On Positive-Unlabeled Classification in GAN [130.43248168149432]
本稿では,標準GANに対する肯定的かつ未ラベルの分類問題を定義する。
その後、GANにおける差別者の訓練を安定させる新しい手法が導かれる。
論文 参考訳(メタデータ) (2020-02-04T05:59:37Z)
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。