論文の概要: Weak Disambiguation for Partial Structured Output Learning

• arxiv url: http://arxiv.org/abs/2209.09410v1
• Date: Tue, 20 Sep 2022 02:12:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 17:33:18.959274
• Title: Weak Disambiguation for Partial Structured Output Learning
• Title（参考訳）: 部分構造的出力学習のための弱解法
• Authors: Xiaolei Lu, Tommy W.S.Chow
• Abstract要約: 部分構造的出力学習(WD-PSL)のための新しい弱い曖昧さを提案する。 各候補ラベルには、それが真のラベルである可能性を示す信頼値が割り当てられる。 自然言語処理におけるいくつかのシーケンスラベリングタスクの実験結果から,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 disambiguation strategies for partial structured output learning just cannot generalize well to solve the problem that there are some candidates which can be false positive or similar to the ground-truth label. In this paper, we propose a novel weak disambiguation for partial structured output learning (WD-PSL). First, a piecewise large margin formulation is generalized to partial structured output learning, which effectively avoids handling large number of candidate structured outputs for complex structures. Second, in the proposed weak disambiguation strategy, each candidate label is assigned with a confidence value indicating how likely it is the true label, which aims to reduce the negative effects of wrong ground-truth label assignment in the learning process. Then two large margins are formulated to combine two types of constraints which are the disambiguation between candidates and non-candidates, and the weak disambiguation for candidates. In the framework of alternating optimization, a new 2n-slack variables cutting plane algorithm is developed to accelerate each iteration of optimization. The experimental results on several sequence labeling tasks of Natural Language Processing show the effectiveness of the proposed model.
• Abstract（参考訳）: 部分的構造化アウトプット学習のための既存の曖昧さ回避戦略は、単にうまく一般化できず、偽陽性あるいは接地ラベルに類似する候補が存在するという問題を解決することができる。 本稿では,部分的構造化出力学習(WD-PSL)のための新しい弱い曖昧さを提案する。 まず,分節大マージンの定式化を部分構造化アウトプット学習に一般化し,複雑な構造に対する多数の候補構造化アウトプットの扱いを効果的に回避する。 第二に、提案する弱曖昧化戦略において、各候補ラベルは、学習プロセスにおける誤った基底ラベル割り当ての悪影響を減らすことを目的として、真のラベルの確率を示す信頼度値が割り当てられる。 次に、2つの大きなマージンが定式化され、候補と非候補との曖昧さと、候補に対する弱い曖昧さの2つのタイプの制約が組み合わされる。 交互最適化の枠組みでは、最適化の各イテレーションを高速化するために、新しい2n-slack変数切断平面アルゴリズムを開発した。 自然言語処理における複数のシーケンスラベリングタスクの実験結果は,提案モデルの有効性を示す。

関連論文リスト

• Constrained Decoding for Fill-in-the-Middle Code Language Models via Efficient Left and Right Quotienting of Context-Sensitive Grammars [11.279507894576213]
  本稿では,構文的に正しくないコードの早期拒絶を可能にするインクリメンタルな合成に寄与する。 文脈自由文法の左右商を許容するために、Earey解析アルゴリズムを拡張した。
  論文  参考訳（メタデータ） (2024-02-28T02:12:47Z)
• Understanding and Mitigating Classification Errors Through Interpretable Token Patterns [58.91023283103762]
  容易に解釈可能な用語でエラーを特徴付けることは、分類器が体系的なエラーを起こす傾向にあるかどうかを洞察する。 正しい予測と誤予測を区別するトークンのパターンを発見することを提案する。 提案手法であるPremiseが実際によく動作することを示す。
  論文  参考訳（メタデータ） (2023-11-18T00:24:26Z)
• 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)
• Unreliable Partial Label Learning with Recursive Separation [44.901941653899264]
  信頼できない部分ラベル学習(UPLL)が提案され、真のラベルが候補ラベルセットに含まれない可能性がある。 再帰分離を伴う信頼できない部分ラベル学習(UPLLRS)という2段階のフレームワークを提案する。 本手法は,実験結果によって実証された最先端性能を示す。
  論文  参考訳（メタデータ） (2023-02-20T10:39:31Z)
• Meta Objective Guided Disambiguation for Partial Label Learning [44.05801303440139]
  メタ客観的ガイド型曖昧化(MoGD)を用いたラベル学習のための新しい枠組みを提案する。 MoGDは、小さな検証セットでメタ目標を解くことで、候補ラベルから基底トラスラベルを復元することを目的としている。 提案手法は,通常のSGDを用いた様々なディープネットワークを用いて容易に実装できる。
  論文  参考訳（メタデータ） (2022-08-26T06:48:01Z)
• Single-channel speech separation using Soft-minimum Permutation Invariant Training [60.99112031408449]
  教師付き音声分離における長寿命問題は、それぞれの分離された音声信号の正しいラベルを見つけることである。 Permutation Invariant Training (PIT) はラベルあいまいさ問題に対処する上で有望な解決策であることが示されている。 そこで本研究では,PITの不効率に対処する確率的最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-16T17:25:05Z)
• Reducing Confusion in Active Learning for Part-Of-Speech Tagging [100.08742107682264]
  アクティブラーニング(AL)は、データ選択アルゴリズムを使用して、アノテーションコストを最小限に抑えるために有用なトレーニングサンプルを選択する。 本研究では、特定の出力タグのペア間の混乱を最大に低減するインスタンスの選択問題について検討する。 提案するAL戦略は,他のAL戦略よりも有意差で優れている。
  論文  参考訳（メタデータ） (2020-11-02T06:24:58Z)
• Pseudo-Convolutional Policy Gradient for Sequence-to-Sequence Lip-Reading [96.48553941812366]
  唇読解は唇運動系列から音声内容を推測することを目的としている。 seq2seqモデルの伝統的な学習プロセスには2つの問題がある。 本稿では,これら2つの問題に対処するために,PCPGに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-03-09T09:12:26Z)
• 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。