論文の概要: Partial sequence labeling with structured Gaussian Processes
- arxiv url: http://arxiv.org/abs/2209.09397v1
- Date: Tue, 20 Sep 2022 00:56:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 18:54:58.941626
- Title: Partial sequence labeling with structured Gaussian Processes
- Title（参考訳）: 構造化ガウス過程を用いた部分配列ラベリング
- Authors: Xiaolei Lu, Tommy W.S. Chow
- Abstract要約: 部分列ラベリングのための構造付きガウス過程を提案する。
予測の不確実性を符号化し、モデル選択やハイパーパラメータ学習に余分な労力を要しない。
いくつかのシーケンスラベリングタスクで評価を行い,実験結果から提案手法の有効性が示された。
- 参考スコア（独自算出の注目度）: 8.239028141030621
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing partial sequence labeling models mainly focus on max-margin
framework which fails to provide an uncertainty estimation of the prediction.
Further, the unique ground truth disambiguation strategy employed by these
models may include wrong label information for parameter learning. In this
paper, we propose structured Gaussian Processes for partial sequence labeling
(SGPPSL), which encodes uncertainty in the prediction and does not need extra
effort for model selection and hyperparameter learning. The model employs
factor-as-piece approximation that divides the linear-chain graph structure
into the set of pieces, which preserves the basic Markov Random Field structure
and effectively avoids handling large number of candidate output sequences
generated by partially annotated data. Then confidence measure is introduced in
the model to address different contributions of candidate labels, which enables
the ground-truth label information to be utilized in parameter learning. Based
on the derived lower bound of the variational lower bound of the proposed
model, variational parameters and confidence measures are estimated in the
framework of alternating optimization. Moreover, weighted Viterbi algorithm is
proposed to incorporate confidence measure to sequence prediction, which
considers label ambiguity arose from multiple annotations in the training data
and thus helps improve the performance. SGPPSL is evaluated on several sequence
labeling tasks and the experimental results show the effectiveness of the
proposed model.
- Abstract（参考訳）: 既存の部分列ラベリングモデルは主に、予測の不確実性評価の提供に失敗するmax-marginフレームワークに焦点を当てている。
さらに、これらのモデルが採用する一意な根拠真理曖昧化戦略は、パラメータ学習のための間違ったラベル情報を含むかもしれない。
本稿では,予測の不確かさを符号化し,モデル選択やハイパーパラメータ学習に余計な労力を要しない部分列ラベリング(sgppsl)のための構造化ガウス過程を提案する。
このモデルは、線形連鎖グラフ構造を一組の断片に分割し、基本的なマルコフランダムフィールド構造を保存し、部分的に注釈付きデータによって生成される多数の候補出力シーケンスの処理を効果的に回避する。
次に、モデルに信頼度尺度を導入し、候補ラベルの異なる貢献に対処することにより、基底ラベル情報をパラメータ学習に活用することができる。
提案モデルの変分下限の導出した下限に基づいて、変分パラメータと信頼度測度を交互最適化の枠組みで推定する。
さらに、重み付きビタビアルゴリズムは、トレーニングデータ中の複数のアノテーションから生じるラベルのあいまいさを考慮し、信頼性測定をシーケンス予測に組み込むことにより、性能の向上を支援する。
SGPPSLを複数のシーケンスラベリングタスクで評価し,実験結果から提案モデルの有効性を示した。
関連論文リスト
- Bayesian Estimation and Tuning-Free Rank Detection for Probability Mass Function Tensors [17.640500920466984]
本稿では,関節のPMFを推定し,そのランクを観測データから自動的に推定する新しい枠組みを提案する。
我々は、様々なモデルパラメータの後方分布を近似するために、変分推論(VI)に基づく決定論的解を導出し、さらに、変分推論(SVI)を利用して、VVIベースのアプローチのスケーラブルバージョンを開発する。
合成データと実映画レコメンデーションデータの両方を含む実験は、推定精度、自動ランク検出、計算効率の点で、VVIおよびSVIベースの手法の利点を示している。
論文 参考訳（メタデータ） (2024-10-08T20:07:49Z) - 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) - Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。
近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。
本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文 参考訳（メタデータ） (2023-06-16T16:30:39Z) - Leveraging Instance Features for Label Aggregation in Programmatic Weak
Supervision [75.1860418333995]
Programmatic Weak Supervision (PWS) は、トレーニングラベルを効率的に合成するための広く普及したパラダイムとして登場した。
PWSのコアコンポーネントはラベルモデルであり、複数のノイズ管理ソースの出力をラベル関数として集約することで、真のラベルを推論する。
既存の統計ラベルモデルは一般的にLFの出力のみに依存し、基礎となる生成過程をモデル化する際のインスタンスの特徴を無視している。
論文 参考訳（メタデータ） (2022-10-06T07:28:53Z) - Active Learning for Regression with Aggregated Outputs [28.40183946090337]
本稿では,ラベル付き集合を逐次選択し,ラベル付き集合を減らして予測性能を向上させる能動的学習法を提案する。
種々のデータセットを用いた実験により,提案手法は既存の手法よりもラベル付き集合が少なく,予測性能が向上することを示した。
論文 参考訳（メタデータ） (2022-10-04T02:45:14Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳（メタデータ） (2020-02-27T10:22:17Z) - Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。
既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。
本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T08:35:15Z)
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。