論文の概要: Class-Imbalanced Complementary-Label Learning via Weighted Loss
- arxiv url: http://arxiv.org/abs/2209.14189v1
- Date: Wed, 28 Sep 2022 16:02:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 17:49:32.636160
- Title: Class-Imbalanced Complementary-Label Learning via Weighted Loss
- Title（参考訳）: 重み付き損失による相補的ラベル学習
- Authors: Meng Wei, Yong Zhou, Zhongnian Li, Xinzheng Xu
- Abstract要約: 複数クラス分類のためのクラスバランスの相補的なラベル付きサンプルから学習できる新しい問題設定を提案する。
提案手法は,クラス不均衡ラベル付き情報を利用して,重み付き経験的リスク最小化損失をモデル化する。
提案手法の優位性を検証するため,広く利用されているベンチマークデータセットについて広範な実験を行った。
- 参考スコア（独自算出の注目度）: 8.934943507699131
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Complementary-label learning (CLL) is a common application in the scenario of
weak supervision. However, in real-world datasets, CLL encounters
class-imbalanced training samples, where the quantity of samples of one class
is significantly lower than those of other classes. Unfortunately, existing CLL
approaches have yet to explore the problem of class-imbalanced samples, which
reduces the prediction accuracy, especially in imbalanced classes. In this
paper, we propose a novel problem setting to allow learning from
class-imbalanced complementarily labeled samples for multi-class
classification. Accordingly, to deal with this novel problem, we propose a new
CLL approach, called Weighted Complementary-Label Learning (WCLL). The proposed
method models a weighted empirical risk minimization loss by utilizing the
class-imbalanced complementarily labeled information, which is also applicable
to multi-class imbalanced training samples. Furthermore, the estimation error
bound of the proposed method was derived to provide a theoretical guarantee.
Finally, we do extensive experiments on widely-used benchmark datasets to
validate the superiority of our method by comparing it with existing
state-of-the-art methods.
- Abstract（参考訳）: CLL(Complementary-label Learning)は、弱い監督のシナリオにおいて一般的な応用である。
しかし、実世界のデータセットでは、CLLはクラス不均衡のトレーニングサンプルに遭遇し、あるクラスのサンプルの量は他のクラスのサンプルよりもかなり少ない。
残念ながら、既存のCLLアプローチでは、特に不均衡なクラスにおいて予測精度を低下させるクラス不均衡サンプルの問題はまだ検討されていない。
本稿では,マルチクラス分類のためのクラス不均衡ラベル付きサンプルからの学習を可能にする新しい問題設定を提案する。
そこで我々は,この新たな問題に対処するために,Weighted Complementary-Label Learning (WCLL)と呼ばれる新しいCLLアプローチを提案する。
提案手法は,重み付き経験的リスク最小化損失を,多クラス不均衡トレーニングサンプルにも適用可能な相補的ラベル付き情報を利用してモデル化する。
さらに,提案手法の推定誤差境界を理論的に保証するために導出した。
最後に,既存の最先端手法との比較により,提案手法の優位性を検証するために,広く利用されているベンチマークデータセットについて広範な実験を行った。
関連論文リスト
- Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。
均一分布仮定に依存しない一貫したアプローチを提案する。
相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文 参考訳（メタデータ） (2023-11-27T02:59:17Z) - Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳（メタデータ） (2023-08-28T18:48:34Z) - Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label
Learning [97.88458953075205]
Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。
本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
論文 参考訳（メタデータ） (2023-05-04T12:52:18Z) - Complementary Labels Learning with Augmented Classes [22.460256396941528]
補完ラベル学習 (Complementary Labels Learning, CLL) は、プライベート質問分類やオンライン学習など、現実世界の多くのタスクに現れる。
CLLAC(Complementary Labels Learning with Augmented Classs)と呼ばれる新しい問題設定を提案する。
ラベルのないデータを用いて,CLLACの分類リスクの偏りのない推定手法を提案する。
論文 参考訳（メタデータ） (2022-11-19T13:55:27Z) - Reduction from Complementary-Label Learning to Probability Estimates [15.835526669091157]
補完ラベル学習(Complementary-Label Learning, CLL)は、弱い教師付き学習問題である。
本稿では,補足クラスの確率推定に対する新しい視点推論を提案する。
いくつかの重要なCLLアプローチの説明を提供し、改良されたアルゴリズムを設計できる。
論文 参考訳（メタデータ） (2022-09-20T06:36:51Z) - A Hybrid Approach for Binary Classification of Imbalanced Data [0.0]
本稿では,データブロック構築,次元減少,アンサンブル学習を併用したハイブリットアプローチHADRを提案する。
我々は、8つの不均衡な公開データセットの性能をリコール、G平均、AUCで評価した。
論文 参考訳（メタデータ） (2022-07-06T15:18:41Z) - CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep
Learning [55.733193075728096]
現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。
サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。
本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
論文 参考訳（メタデータ） (2022-02-11T13:49:51Z) - PLM: Partial Label Masking for Imbalanced Multi-label Classification [59.68444804243782]
長いラベルの分布を持つ実世界のデータセットで訓練されたニューラルネットワークは、頻繁なクラスに偏りがあり、頻繁なクラスでは不十分である。
本稿では,この比率を利用したPLM(Partial Label Masking)を提案する。
本手法は,マルチラベル (MultiMNIST と MSCOCO) とシングルラベル (CIFAR-10 と CIFAR-100) の2つの画像分類データセットにおいて,既存の手法と比較して高い性能を実現する。
論文 参考訳（メタデータ） (2021-05-22T18:07:56Z) - SetConv: A New Approach for Learning from Imbalanced Data [29.366843553056594]
集合畳み込み操作とエピソード学習戦略を提案し,各クラスに1つの代表を抽出する。
提案アルゴリズムは入力順序に関わらず置換不変であることを示す。
論文 参考訳（メタデータ） (2021-04-03T22:33:30Z) - M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。
本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。
提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
論文 参考訳（メタデータ） (2020-04-01T13:21:17Z) - VaB-AL: Incorporating Class Imbalance and Difficulty with Variational
Bayes for Active Learning [38.33920705605981]
本研究では,クラス不均衡をアクティブラーニングフレームワークに自然に組み込む手法を提案する。
提案手法は,複数の異なるデータセットのタスク分類に適用可能であることを示す。
論文 参考訳（メタデータ） (2020-03-25T07:34:06Z)
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。