論文の概要: D\'ecouvrir de nouvelles classes dans des donn\'ees tabulaires

• arxiv url: http://arxiv.org/abs/2211.16352v1
• Date: Mon, 28 Nov 2022 09:48:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 17:07:21.980315
• Title: D\'ecouvrir de nouvelles classes dans des donn\'ees tabulaires
• Title（参考訳）: d'ecouvrir de nouvelles class dans des donn\'ees tabulaires
• Authors: Colin Troisemaine, Joachim Flocon-Cholet, St\'ephane Gosselin, Sandrine Vaton, Alexandre Reiffers-Masson, Vincent Lemaire
• Abstract要約: Novel Class Discovery (NCD) において、ゴールは、既知のクラスと異なるクラスのラベル付きセットが与えられたラベルのないセットで新しいクラスを見つけることである。 異種データにおける新しいクラスの発見過程を導くために,すでに知られているクラスから知識を抽出する方法を示す。
• 参考スコア（独自算出の注目度）: 54.11148718494725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In Novel Class Discovery (NCD), the goal is to find new classes in an unlabeled set given a labeled set of known but different classes. While NCD has recently gained attention from the community, no framework has yet been proposed for heterogeneous tabular data, despite being a very common representation of data. In this paper, we propose TabularNCD, a new method for discovering novel classes in tabular data. We show a way to extract knowledge from already known classes to guide the discovery process of novel classes in the context of tabular data which contains heterogeneous variables. A part of this process is done by a new method for defining pseudo labels, and we follow recent findings in Multi-Task Learning to optimize a joint objective function. Our method demonstrates that NCD is not only applicable to images but also to heterogeneous tabular data.
• Abstract（参考訳）: novel class discovery (ncd) では、既知のが異なるクラスのラベル付き集合が与えられたラベルなしのセットで新しいクラスを見つけることが目的である。 NCDは最近、コミュニティから注目を集めているが、非常に一般的なデータ表現であるにもかかわらず、不均一な表形式データのためのフレームワークはまだ提案されていない。 本稿では,表データの新しいクラスを発見するための新しい手法であるTabularNCDを提案する。 異種変数を含む表データのコンテキストにおいて,すでに知られているクラスから知識を抽出し,新しいクラスの発見プロセスを導く方法を示す。 このプロセスの一部は、擬似ラベルを定義する新しい方法によって行われ、マルチタスク学習における最近の知見に従い、共同目的関数を最適化する。 本手法は,NCDが画像だけでなく,不均一な表データにも適用可能であることを示す。

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)
• A Practical Approach to Novel Class Discovery in Tabular Data [38.41548083078336]
  新規クラスディスカバリー(英: Novel Class Discovery, NCD)は、未知のクラスを正確に分割するために、ラベル付けされた既知のクラスの集合から知識を抽出する問題である。 本研究では、$k$-foldのクロスバリデーションプロセスを適用し、既知のクラスの一部を各フォルダに隠すことで、NCDメソッドのハイパーパラメータを調整することを提案する。 この手法の潜在空間は,新規クラスの数を確実に推定するために有効であることがわかった。
  論文  参考訳（メタデータ） (2023-11-09T15:24:44Z)
• MetaGCD: Learning to Continually Learn in Generalized Category Discovery [26.732455383707798]
  事前に定義されたクラスでトレーニングされたモデルが、ラベルのないデータに絶えず遭遇する実世界のシナリオを考察する。 目標は、既知のクラスのパフォーマンスを維持しながら、新しいクラスを継続的に発見することである。 そこで我々はMetaGCDと呼ばれる手法を提案し,忘れることなく漸進的に発見する方法を学習する。
  論文  参考訳（メタデータ） (2023-08-21T22:16:49Z)
• An Interactive Interface for Novel Class Discovery in Tabular Data [54.11148718494725]
  新規クラスディスカバリー(英: Novel Class Discovery、NCD)とは、異なるクラスがラベル付けされていることを考慮し、ラベル付けされていないセットで新しいクラスを発見しようとする問題である。 現在提案されているNCD法の大部分は画像データにのみ対応している。 このインターフェースにより、ドメインの専門家は表データでNCDのための最先端のアルゴリズムを簡単に実行することができる。
  論文  参考訳（メタデータ） (2023-06-22T14:32:53Z)
• Novel Class Discovery: an Introduction and Key Concepts [54.11148718494725]
  新たなクラスディスカバリ(NCD)は、既知のクラスのラベル付きセットと、発見しなければならない異なるクラスのラベル付きセットをトレーニング中に与えられる、成長する分野です。 本稿では,最先端のNCD手法に関する包括的調査を行う。
  論文  参考訳（メタデータ） (2023-02-22T10:07:01Z)
• A Method for Discovering Novel Classes in Tabular Data [54.11148718494725]
  Novel Class Discovery (NCD) において、ゴールは、既知のクラスと異なるクラスのラベル付きセットが与えられたラベルのないセットで新しいクラスを見つけることである。 異種データにおける新しいクラスの発見過程を導くために,すでに知られているクラスから知識を抽出する方法を示す。
  論文  参考訳（メタデータ） (2022-09-02T11:45:24Z)
• Class-incremental Novel Class Discovery [76.35226130521758]
  クラス増進型新規クラス発見(class-iNCD)の課題について検討する。 基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。 3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2022-07-18T13:49:27Z)

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。