論文の概要: Single-Stage Broad Multi-Instance Multi-Label Learning (BMIML) with
Diverse Inter-Correlations and its application to medical image
classification
- arxiv url: http://arxiv.org/abs/2209.02625v1
- Date: Tue, 6 Sep 2022 16:28:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 12:40:46.651716
- Title: Single-Stage Broad Multi-Instance Multi-Label Learning (BMIML) with
Diverse Inter-Correlations and its application to medical image
classification
- Title(参考訳): 多様な相互相関を持つ単段広帯域マルチラベル学習(bmiml)とその医用画像分類への応用
- Authors: Qi Lai, Jianhang Zhou, Yanfen Gan, Chi-Man Vong, Deshuang Huang
- Abstract要約: 広帯域多言語学習(BMIML)と呼ばれる新しいシングルステージフレームワークを提案する。
BMIMLは、画像全体、インスタンス、ラベル間の多様な相互関係を、単一のステージで同時に学習することができる。
BMIMLは、大容量の医用画像データセットであっても、既存の手法よりも精度が高く、ほとんどのMIML手法よりもはるかに高速である。
- 参考スコア(独自算出の注目度): 10.403614735252503
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many real-world applications, one object (e.g., image) can be represented
or described by multiple instances (e.g., image patches) and simultaneously
associated with multiple labels. Such applications can be formulated as
multi-instance multi-label learning (MIML) problems and have been extensively
studied during the past few years. Existing MIML methods are useful in many
applications but most of which suffer from relatively low accuracy and training
efficiency due to several issues: i) the inter-label correlations (i.e., the
probabilistic correlations between the multiple labels corresponding to an
object) are neglected; ii) the inter-instance correlations cannot be learned
directly (or jointly) with other types of correlations due to the missing
instance labels; iii) diverse inter-correlations (e.g., inter-label
correlations, inter-instance correlations) can only be learned in multiple
stages. To resolve these issues, a new single-stage framework called broad
multi-instance multi-label learning (BMIML) is proposed. In BMIML, there are
three innovative modules: i) an auto-weighted label enhancement learning
(AWLEL) based on broad learning system (BLS); ii) A specific MIML neural
network called scalable multi-instance probabilistic regression (SMIPR); iii)
Finally, an interactive decision optimization (IDO). As a result, BMIML can
achieve simultaneous learning of diverse inter-correlations between whole
images, instances, and labels in single stage for higher classification
accuracy and much faster training time. Experiments show that BMIML is highly
competitive to (or even better than) existing methods in accuracy and much
faster than most MIML methods even for large medical image data sets (> 90K
images).
- Abstract(参考訳): 多くの実世界のアプリケーションでは、1つのオブジェクト(例えばイメージ)は複数のインスタンス(例えばイメージパッチ)によって表現され、同時に複数のラベルに関連付けられる。
このような応用はマルチインスタンスマルチラベル学習(miml)問題として定式化され、過去数年間にわたって広く研究されてきた。
既存のMIMLメソッドは多くのアプリケーションで有用であるが、そのほとんどはいくつかの問題により比較的低い精度と訓練効率に悩まされている。
一 ラベル間の相関関係(即ち、対象に対応する複数のラベル間の確率的相関関係)を無視すること。
二 インスタンス間相関は、欠落したインスタンスラベルによる他の種類の相関と直接(又は共同で)学習することはできない。
三 多様な相互相関(例えば、ラベル間相関、インスタンス間相関)は、複数の段階でしか学べない。
これらの問題を解決するために,広帯域マルチインスタンス・マルチラベル学習(BMIML)と呼ばれる新しいシングルステージフレームワークを提案する。
BMIMLには3つの革新的なモジュールがある。
一 広範学習システム(BLS)に基づく自己強調ラベル強化学習(AWLEL)
二 スケーラブルマルチインスタンス確率回帰(SMIPR)という、特定のMIMLニューラルネットワーク
三 最後に、対話型意思決定最適化(IDO)。
結果として、BMIMLは、画像、インスタンス、ラベルの相互関係を単一のステージで同時学習することで、より高い分類精度とより高速なトレーニング時間を実現できる。
実験の結果、BMIMLは既存の手法よりも精度が高く、大きな医療画像データセット(>90K画像)であってもほとんどのMIML法よりもはるかに高速であることがわかった。
関連論文リスト
- MMOE: Mixture of Multimodal Interaction Experts [115.20477067767399]
MMOEはマルチモーダルインタラクションの専門家の混在を指す。
本手法は, ラベルのないマルチモーダルデータセットから, 対話タイプによって自動的にデータポイントを分類し, それぞれのインタラクションに特化モデルを用いる。
実験結果から,本手法は,これらの課題のあるインタラクションのパフォーマンスを10%以上向上させ,皮肉な予測などのタスクに対して全体の2%向上をもたらす。
論文 参考訳(メタデータ) (2023-11-16T05:31:21Z) - A Low-rank Matching Attention based Cross-modal Feature Fusion Method
for Conversational Emotion Recognition [56.20144064187554]
本稿では,会話感情認識(CER)タスクのためのクロスモーダルな特徴融合手法を提案する。
LMAMは、一致重みを設定し、モーダル特徴列間のアテンションスコアを計算することにより、自己注意法よりも少ないパラメータを含む。
LMAMは既存のDLベースのCERメソッドに組み込むことができ、プラグ・アンド・プレイ方式で性能を向上させることができることを示す。
論文 参考訳(メタデータ) (2023-06-16T16:02:44Z) - Graph based Label Enhancement for Multi-instance Multi-label learning [20.178466198202376]
マルチインスタンス・マルチラベル(MIML)学習は多くの領域で広く適用されている。
本稿では,グラフラベルの強化,すなわちGLEMIMLに基づく新しいMIMLフレームワークを提案し,MIMLの分類性能を向上させる。
論文 参考訳(メタデータ) (2023-04-21T02:24:49Z) - Complementary to Multiple Labels: A Correlation-Aware Correction
Approach [65.59584909436259]
理論上, マルチクラスCLLにおける遷移行列が, 複数ラベルの場合どのように歪むかを示す。
候補ラベルから遷移行列を推定する2段階の手法を提案する。
論文 参考訳(メタデータ) (2023-02-25T04:48:48Z) - 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) - Evolving Multi-Label Fuzzy Classifier [5.53329677986653]
マルチラベル分類は、同時に複数のクラスに1つのサンプルを割り当てるという問題に対処するために、機械学習コミュニティで多くの注目を集めている。
本稿では,新たなマルチラベルサンプルをインクリメンタルかつシングルパスで自己適応・自己展開可能な多ラベルファジィ分類器(EFC-ML)を提案する。
論文 参考訳(メタデータ) (2022-03-29T08:01:03Z) - Gaussian Mixture Variational Autoencoder with Contrastive Learning for
Multi-Label Classification [27.043136219527767]
本稿では,新しいコントラスト学習促進型マルチラベル予測モデルを提案する。
教師付き環境でのコントラスト学習を用いることで,ラベル情報を効果的に活用することができる。
学習した埋め込みがラベルとラベルの相互作用の解釈に洞察を与えることを示す。
論文 参考訳(メタデータ) (2021-12-02T04:23:34Z) - Deep Relational Metric Learning [84.95793654872399]
本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。
我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。
広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
論文 参考訳(メタデータ) (2021-08-23T09:31:18Z) - Multi-label Few/Zero-shot Learning with Knowledge Aggregated from
Multiple Label Graphs [8.44680447457879]
本稿では,異なる意味的ラベル関係をコードする複数のラベルグラフから知識を融合する,シンプルな多グラフ集約モデルを提案する。
本研究は,多グラフ知識集約を用いた手法が,少数・ゼロショットラベルのほとんどすべてにおいて,大幅な性能向上を実現していることを示す。
論文 参考訳(メタデータ) (2020-10-15T01:15:43Z) - Multi-typed Objects Multi-view Multi-instance Multi-label Learning [39.77570541880894]
M4Lは、M3L(Multi-view Multi-instance Multi-label Learning)よりも汎用的で強力である
我々は結合行列分解に基づく解(M4L-JMF)を開発する。
M4L-JMFは、この新たな問題に対する既存のM3Lソリューションの簡単な適応よりも、はるかに優れた結果が得られる。
論文 参考訳(メタデータ) (2020-10-06T08:00:02Z) - 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)
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。