論文の概要: Multi-Instance Partial-Label Learning: Towards Exploiting Dual Inexact
Supervision
- arxiv url: http://arxiv.org/abs/2212.08997v1
- Date: Sun, 18 Dec 2022 03:28:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 18:07:13.504579
- Title: Multi-Instance Partial-Label Learning: Towards Exploiting Dual Inexact
Supervision
- Title（参考訳）: マルチインスタンス部分ラベル学習 : デュアル・インエクサクティヴ・スーパービジョンの展開に向けて
- Authors: Wei Tang, Weijia Zhang, and Min-Ling Zhang
- Abstract要約: 実世界のタスクでは、各トレーニングサンプルは、1つの基底真実ラベルといくつかの偽陽性ラベルを含む候補ラベルセットに関連付けられている。
本稿では,Multi-instance partial-label learning (MIPL) などの問題を定式化する。
既存のマルチインスタンス学習アルゴリズムと部分ラベル学習アルゴリズムはMIPL問題の解法に最適である。
- 参考スコア（独自算出の注目度）: 53.530957567507365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Weakly supervised machine learning algorithms are able to learn from
ambiguous samples or labels, e.g., multi-instance learning or partial-label
learning. However, in some real-world tasks, each training sample is associated
with not only multiple instances but also a candidate label set that contains
one ground-truth label and some false positive labels. Specifically, at least
one instance pertains to the ground-truth label while no instance belongs to
the false positive labels. In this paper, we formalize such problems as
multi-instance partial-label learning (MIPL). Existing multi-instance learning
algorithms and partial-label learning algorithms are suboptimal for solving
MIPL problems since the former fail to disambiguate a candidate label set, and
the latter cannot handle a multi-instance bag. To address these issues, a
tailored algorithm named MIPLGP, i.e., Multi-Instance Partial-Label learning
with Gaussian Processes, is proposed. MIPLGP first assigns each instance with a
candidate label set in an augmented label space, then transforms the candidate
label set into a logarithmic space to yield the disambiguated and continuous
labels via an exclusive disambiguation strategy, and last induces a model based
on the Gaussian processes. Experimental results on various datasets validate
that MIPLGP is superior to well-established multi-instance learning and
partial-label learning algorithms for solving MIPL problems. Our code and
datasets will be made publicly available.
- Abstract（参考訳）: 弱い教師付き機械学習アルゴリズムは、曖昧なサンプルやラベル、例えばマルチインスタンス学習や部分ラベル学習から学習することができる。
しかしながら、現実のタスクでは、各トレーニングサンプルは複数のインスタンスだけでなく、1つの基底真実ラベルといくつかの偽陽性ラベルを含む候補ラベルセットに関連付けられている。
具体的には、少なくとも1つのインスタンスは接頭辞ラベルに関連するが、偽陽性ラベルには属さない。
本稿では,Multi-instance partial-label learning (MIPL) などの問題を定式化する。
前者は候補ラベルセットを曖昧にせず、後者はマルチインスタンスバッグを扱えないため、既存のマルチインスタンス学習アルゴリズムと部分ラベル学習アルゴリズムはmipl問題を解決するのに最適である。
これらの問題に対処するために、MIPLGPというアルゴリズム、すなわちガウス過程を用いたマルチインスタンス部分ラベル学習を提案する。
MIPLGPはまず、各インスタンスに拡張ラベル空間に設定された候補ラベルを割り当て、次に候補ラベルを対数空間に変換して、排他的曖昧化戦略を介して曖昧で連続的なラベルを出力し、最後にガウス過程に基づくモデルを生成する。
各種データセットの実験結果から,MIPLGPはMIPL問題の解法として,確立されたマルチインスタンス学習や部分ラベル学習アルゴリズムよりも優れていることが示された。
私たちのコードとデータセットは公開される予定だ。
関連論文リスト
- Exploiting Conjugate Label Information for Multi-Instance Partial-Label Learning [61.00359941983515]
MIPL(Multi-instance partial-label Learning)は、各トレーニングサンプルが1つの真のラベルといくつかの偽陽性を含む候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現されるシナリオに対処する。
ELIMIPLは共役ラベル情報を利用して曖昧性を改善する。
論文 参考訳（メタデータ） (2024-08-26T15:49:31Z) - Multi-Label Knowledge Distillation [86.03990467785312]
本稿では,新しい多ラベル知識蒸留法を提案する。
一方、マルチラベル学習問題をバイナリ分類問題に分割することにより、ロジットからの情報的意味知識を利用する。
一方,ラベルワイド埋め込みの構造情報を活用することにより,学習した特徴表現の識別性を向上する。
論文 参考訳（メタデータ） (2023-08-12T03:19:08Z) - Disambiguated Attention Embedding for Multi-Instance Partial-Label
Learning [68.56193228008466]
多くの実世界のタスクでは、関連するオブジェクトは、候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現することができる。
既存のMIPLアプローチは、各インスタンスに拡張候補ラベルセットを割り当て、インスタンスレベルのラベルからバッグレベルのラベルを集約することで、インスタンス空間のパラダイムに従っている。
本稿では,DEMIPLという直感的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-26T13:25:17Z) - Deep Partial Multi-Label Learning with Graph Disambiguation [27.908565535292723]
grAph-disambIguatioN (PLAIN) を用いた新しいディープ部分多重ラベルモデルを提案する。
具体的には、ラベルの信頼性を回復するために、インスタンスレベルとラベルレベルの類似性を導入する。
各トレーニングエポックでは、ラベルがインスタンスとラベルグラフに伝播し、比較的正確な擬似ラベルを生成する。
論文 参考訳（メタデータ） (2023-05-10T04:02:08Z) - Complementary to Multiple Labels: A Correlation-Aware Correction
Approach [65.59584909436259]
理論上, マルチクラスCLLにおける遷移行列が, 複数ラベルの場合どのように歪むかを示す。
候補ラベルから遷移行列を推定する2段階の手法を提案する。
論文 参考訳（メタデータ） (2023-02-25T04:48:48Z) - Learning with Partial Labels from Semi-supervised Perspective [28.735185883881172]
部分ラベル学習(Partial Label、PL)とは、部分ラベル付きデータから学習するタスクである。
セミスーパーバイザード・パースペクティブ(PLSP)を用いた部分ラベル学習という新しいPL学習手法を提案する。
PLSPは、特に高いあいまいさレベルにおいて、既存のPLベースライン法よりも著しく優れている。
論文 参考訳（メタデータ） (2022-11-24T15:12:16Z) - One Positive Label is Sufficient: Single-Positive Multi-Label Learning
with Label Enhancement [71.9401831465908]
本研究では,SPMLL (Single- positive multi-label learning) について検討した。
ラベルエンハンスメントを用いた単陽性MultIラベル学習という新しい手法を提案する。
ベンチマークデータセットの実験により,提案手法の有効性が検証された。
論文 参考訳（メタデータ） (2022-06-01T14:26:30Z) - Active Learning in Incomplete Label Multiple Instance Multiple Label
Learning [17.5720245903743]
MIML設定におけるアクティブラーニングのための新しいバッグクラスペア方式を提案する。
我々のアプローチは、効率的かつ正確な推論を伴う識別的グラフィカルモデルに基づいている。
論文 参考訳（メタデータ） (2021-07-22T17:01:28Z)
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。