論文の概要: A Closer Look at Novel Class Discovery from the Labeled Set
- arxiv url: http://arxiv.org/abs/2209.09120v2
- Date: Wed, 21 Sep 2022 10:01:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 12:24:50.789383
- Title: A Closer Look at Novel Class Discovery from the Labeled Set
- Title（参考訳）: ラベル付き集合から新しいクラス発見を詳しく見る
- Authors: Ziyun Li, Jona Otholt, Ben Dai, Di hu, Christoph Meinel, Haojin Yang
- Abstract要約: 新たなクラス発見(NCD)は、非結合クラスを含むラベル付き集合の事前知識を活用するラベル付きデータセットにおいて、新しいカテゴリを推論することを目的としている。
我々は,NCDがラベル付き集合よりも,ラベル付き集合と大きなセマンティック類似性を持つラベル付き集合の恩恵を受けることができるという仮説を提案し,実証する。
具体的には、ImageNet上のラベル付きデータセットとラベル付きデータセットのセマンティックな類似度が異なる、広範囲で大規模なベンチマークを確立する。
- 参考スコア（独自算出の注目度）: 13.31397670697559
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Novel class discovery (NCD) aims to infer novel categories in an unlabeled
dataset leveraging prior knowledge of a labeled set comprising disjoint but
related classes. Existing research focuses primarily on utilizing the labeled
set at the methodological level, with less emphasis on the analysis of the
labeled set itself. Thus, in this paper, we rethink novel class discovery from
the labeled set and focus on two core questions: (i) Given a specific unlabeled
set, what kind of labeled set can best support novel class discovery? (ii) A
fundamental premise of NCD is that the labeled set must be related to the
unlabeled set, but how can we measure this relation? For (i), we propose and
substantiate the hypothesis that NCD could benefit more from a labeled set with
a large degree of semantic similarity to the unlabeled set. Specifically, we
establish an extensive and large-scale benchmark with varying degrees of
semantic similarity between labeled/unlabeled datasets on ImageNet by
leveraging its hierarchical class structure. As a sharp contrast, the existing
NCD benchmarks are developed based on labeled sets with different number of
categories and images, and completely ignore the semantic relation. For (ii),
we introduce a mathematical definition for quantifying the semantic similarity
between labeled and unlabeled sets. In addition, we use this metric to confirm
the validity of our proposed benchmark and demonstrate that it highly
correlates with NCD performance. Furthermore, without quantitative analysis,
previous works commonly believe that label information is always beneficial.
However, counterintuitively, our experimental results show that using labels
may lead to sub-optimal outcomes in low-similarity settings.
- Abstract（参考訳）: 新たなクラス発見(NCD)は、非結合クラスを含むラベル付き集合の事前知識を活用するラベル付きデータセットにおいて、新しいカテゴリを推論することを目的としている。
既存の研究はラベル付き集合を方法論レベルで活用することに集中しており、ラベル付き集合自体の分析にはあまり重点を置いていない。
そこで本稿では,ラベル付き集合から新しいクラス発見を考え直し,2つの核となる疑問に着目する。
(i)特定のラベル付き集合が与えられた場合、どのラベル付き集合が新しいクラス発見を最善にサポートできるか?
(ii) ncd の基本的な前提は、ラベル付き集合はラベルなし集合と関係しなければならないが、どうやってこの関係を計測できるのかである。
のために
(i) ncd はラベルなし集合と多くの意味的類似性を持つラベル付き集合の恩恵を受けるのではないかという仮説を提案し,その仮説を裏付ける。
具体的には,imagenet上のラベル付き/ラベルなしデータセット間の意味的類似度が異なる大規模かつ大規模なベンチマークを,その階層的クラス構造を利用して確立する。
対照的に、既存のNCDベンチマークはカテゴリや画像の数が異なるラベル付きセットに基づいて開発されており、意味的関係を完全に無視している。
のために
(ii) ラベル付き集合とラベルなし集合のセマンティック類似性を定量化する数学的定義を導入する。
さらに,本測定値を用いて提案したベンチマークの有効性を確認し,NCD性能と高い相関性を示す。
さらに、定量的な分析がなければ、以前の著作はラベル情報が常に有益であると信じている。
しかし, 実験結果から, 低相似性設定におけるラベルの使用が準最適結果をもたらす可能性が示唆された。
関連論文リスト
- Active Generalized Category Discovery [60.69060965936214]
GCD(Generalized Category Discovery)は、新しいクラスと古いクラスの未ラベルのサンプルをクラスタ化するための取り組みである。
我々は,能動的学習の精神を取り入れて,能動的一般化カテゴリー発見(AGCD)という新たな設定を提案する。
提案手法は, 汎用および微粒なデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2024-03-07T07:12:24Z) - Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。
クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。
提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2023-10-30T00:32:47Z) - Supervised Knowledge May Hurt Novel Class Discovery Performance [13.31397670697559]
新たなクラス発見(NCD)は、非結合クラスを含むラベル付き集合の事前知識を活用することにより、ラベル付きデータセットで新しいカテゴリを推論することを目的としている。
教師付き知識は、意味的関連性の異なるレベルにおいて常に役に立つか?
論文 参考訳（メタデータ） (2023-06-06T13:04:05Z) - Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。
擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。
ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
論文 参考訳（メタデータ） (2023-03-27T07:46:58Z) - Exploring Structured Semantic Prior for Multi Label Recognition with
Incomplete Labels [60.675714333081466]
不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。
最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。
我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
論文 参考訳（メタデータ） (2023-03-23T12:39:20Z) - Group is better than individual: Exploiting Label Topologies and Label
Relations for Joint Multiple Intent Detection and Slot Filling [39.76268402567324]
我々は2種類のトポロジーを含む異種ラベルグラフ(HLG)を構築した。
ラベル相関を利用してセマンティック・ラベルの相互作用を強化する。
また,ラベルに依存しないデコード機構を提案し,デコードのためのラベル相関をさらに活用する。
論文 参考訳（メタデータ） (2022-10-19T08:21:43Z) - Expert Knowledge-Guided Length-Variant Hierarchical Label Generation for
Proposal Classification [21.190465278587045]
提案分類は、提案をラベルの長さ可変シーケンスに分類することを目的としている。
我々は3つの特徴を共同でモデル化する新しいディーププロポーザル分類フレームワークを開発した。
我々のモデルは,次のラベル予測を止めるために,ラベルシーケンスの最適な長さを自動的に識別することができる。
論文 参考訳（メタデータ） (2021-09-14T13:09:28Z) - A Unified Objective for Novel Class Discovery [48.1003877511578]
新たなクラスを発見するための統一目的関数(UNO)を導入する。
UNOは教師なし学習と教師なし学習の相乗効果を好んでいる。
その単純さにもかかわらず、UNOはいくつかのベンチマークで最先端の技術を誇っている。
論文 参考訳（メタデータ） (2021-08-19T07:22:29Z) - Enhancing Label Correlation Feedback in Multi-Label Text Classification
via Multi-Task Learning [6.1538971100140145]
ラベル相関フィードバックを高めるために,マルチタスク学習を用いた新しい手法を提案する。
本稿では,ラベル相関学習を強化するための2つの補助ラベル共起予測タスクを提案する。
論文 参考訳（メタデータ） (2021-06-06T12:26:14Z) - Pointwise Binary Classification with Pairwise Confidence Comparisons [97.79518780631457]
ペアワイズ比較(Pcomp)分類を提案し、ラベルのないデータのペアしか持たない。
我々はPcomp分類をノイズラベル学習に結びつけて、進歩的UREを開発し、一貫性の正則化を課すことにより改善する。
論文 参考訳（メタデータ） (2020-10-05T09:23:58Z)
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。