論文の概要: Label distribution learning via label correlation grid
- arxiv url: http://arxiv.org/abs/2210.08184v1
- Date: Sat, 15 Oct 2022 03:58:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 20:02:43.436354
- Title: Label distribution learning via label correlation grid
- Title(参考訳): ラベル相関グリッドによるラベル分布学習
- Authors: Qimeng Guo, Zhuoran Zheng, Xiuyi Jia, Liancheng Xu
- Abstract要約: ラベル関係の不確かさをモデル化するための textbfLabel textbfCorrelation textbfGrid (LCG) を提案する。
我々のネットワークはLCGを学習し、各インスタンスのラベル分布を正確に推定する。
- 参考スコア(独自算出の注目度): 9.340734188957727
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Label distribution learning can characterize the polysemy of an instance
through label distributions. However, some noise and uncertainty may be
introduced into the label space when processing label distribution data due to
artificial or environmental factors. To alleviate this problem, we propose a
\textbf{L}abel \textbf{C}orrelation \textbf{G}rid (LCG) to model the
uncertainty of label relationships. Specifically, we compute a covariance
matrix for the label space in the training set to represent the relationships
between labels, then model the information distribution (Gaussian distribution
function) for each element in the covariance matrix to obtain an LCG. Finally,
our network learns the LCG to accurately estimate the label distribution for
each instance. In addition, we propose a label distribution projection
algorithm as a regularization term in the model training process. Extensive
experiments verify the effectiveness of our method on several real benchmarks.
- Abstract(参考訳): ラベル分布学習は、ラベル分布を介してインスタンスのポリセミーを特徴付けることができる。
しかし, 人工的・環境的要因によるラベル分布データを処理する場合には, ラベル空間にノイズや不確実性が生じうる。
この問題を緩和するために,ラベル関係の不確かさをモデル化する \textbf{l}abel \textbf{c}orrelation \textbf{g}rid (lcg) を提案する。
具体的には,ラベル間の関係を表現するためのトレーニングセット内のラベル空間の共分散行列を計算し,共分散行列の各要素に対する情報分布(ガウス分布関数)をモデル化してLCGを得る。
最後に,ネットワークはLCGを学習し,各インスタンスのラベル分布を正確に推定する。
さらに,モデル学習過程における正規化項としてラベル分布投影アルゴリズムを提案する。
大規模実験により,本手法の有効性が検証された。
関連論文リスト
- Towards Better Performance in Incomplete LDL: Addressing Data Imbalance [48.54894491724677]
我々は,不完全なラベルと不均衡なラベル分布を同時に扱うフレームワークであるtextIncomplete and Im Balance Label Distribution Learning (I(2)LDL)を提案する。
本手法は, ラベル分布行列を, 頻繁なラベルのための低ランク成分と希少なラベルのためのスパース成分に分解し, 頭部と尾部のラベルの構造を効果的に把握する。
論文 参考訳(メタデータ) (2024-10-17T14:12:57Z) - Inaccurate Label Distribution Learning with Dependency Noise [52.08553913094809]
本稿では,依存雑音に基づく不正確なラベル分布学習(DN-ILDL)フレームワークを導入し,ラベル分布学習におけるノイズによる課題に対処する。
本稿では,DN-ILDLがILDL問題に効果的に対処し,既存のLCL法より優れていることを示す。
論文 参考訳(メタデータ) (2024-05-26T07:58:07Z) - Contrastive Label Enhancement [13.628665406039609]
コントラスト学習戦略により高次特徴を生成するコントラストラベル拡張(Contrastive Label Enhancement, ConLE)を提案する。
得られた高レベルな特徴を活用し、よく設計されたトレーニング戦略によりラベル分布を得る。
論文 参考訳(メタデータ) (2023-05-16T14:53:07Z) - 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) - Dist-PU: Positive-Unlabeled Learning from a Label Distribution
Perspective [89.5370481649529]
本稿では,PU学習のためのラベル分布視点を提案する。
そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。
提案手法の有効性を3つのベンチマークデータセットで検証した。
論文 参考訳(メタデータ) (2022-12-06T07:38:29Z) - Label Distribution Learning via Implicit Distribution Representation [12.402054374952485]
本稿では,ラベル分布学習フレームワークにおける暗黙分布を導入し,ラベル値の不確かさを特徴付ける。
具体的には、深い暗黙的表現学習を用いて、ガウス的事前制約を持つラベル分布行列を構築する。
ラベル分布行列の各行成分は、自己アテンションアルゴリズムを用いて標準ラベル分布形式に変換される。
論文 参考訳(メタデータ) (2022-09-28T04:13:53Z) - Instance-Dependent Partial Label Learning [69.49681837908511]
部分ラベル学習は、典型的には弱教師付き学習問題である。
既存のほとんどのアプローチでは、トレーニングサンプルの間違ったラベルがランダムに候補ラベルとして選択されていると仮定している。
本稿では,各例が実数で構成された潜在ラベル分布と関連していると仮定する。
論文 参考訳(メタデータ) (2021-10-25T12:50:26Z) - Distribution-Aware Semantics-Oriented Pseudo-label for Imbalanced
Semi-Supervised Learning [80.05441565830726]
本稿では,疑似ラベルの重み付けがモデル性能に悪影響を及ぼすような,不均衡な半教師付き学習に対処する。
本稿では,この観測の動機となるバイアスに対処する,一般的な擬似ラベルフレームワークを提案する。
不均衡SSLのための新しい擬似ラベルフレームワークを、DASO(Distributed-Aware Semantics-Oriented Pseudo-label)と呼ぶ。
論文 参考訳(メタデータ) (2021-06-10T11:58:25Z)
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。