論文の概要: Multi-View Knowledge Distillation from Crowd Annotations for Out-of-Domain Generalization

• arxiv url: http://arxiv.org/abs/2212.09409v1
• Date: Mon, 19 Dec 2022 12:40:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 16:37:52.909464
• Title: Multi-View Knowledge Distillation from Crowd Annotations for Out-of-Domain Generalization
• Title（参考訳）: 領域外一般化のための群集アノテーションによる多視点知識蒸留
• Authors: Dustin Wright and Isabelle Augenstein
• Abstract要約: 本稿では,既存の手法で生成した分布を集約することで,クラウドアノテーションからソフトラベルを取得する新しい手法を提案する。 これらのアグリゲーション手法を用いることで、ドメイン外のテストセットで4つのNLPタスクにまたがる最高の、あるいは最も近いパフォーマンスが得られることを実証する。
• 参考スコア（独自算出の注目度）: 53.24606510691877
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Selecting an effective training signal for tasks in natural language processing is difficult: collecting expert annotations is expensive, and crowd-sourced annotations may not be reliable. At the same time, recent work in machine learning has demonstrated that learning from soft-labels acquired from crowd annotations can be effective, especially when there is distribution shift in the test set. However, the best method for acquiring these soft labels is inconsistent across tasks. This paper proposes new methods for acquiring soft-labels from crowd-annotations by aggregating the distributions produced by existing methods. In particular, we propose to find a distribution over classes by learning from multiple-views of crowd annotations via temperature scaling and finding the Jensen-Shannon centroid of their distributions. We demonstrate that using these aggregation methods leads to best or near-best performance across four NLP tasks on out-of-domain test sets, mitigating fluctuations in performance when using the constituent methods on their own. Additionally, these methods result in best or near-best uncertainty estimation across tasks. We argue that aggregating different views of crowd-annotations as soft-labels is an effective way to ensure performance which is as good or better than the best individual view, which is useful given the inconsistency in performance of the individual methods.
• Abstract（参考訳）: 自然言語処理におけるタスクの効果的なトレーニング信号の選択は難しい: 専門家アノテーションの収集は高価であり、クラウドソースアノテーションは信頼できないかもしれない。 同時に、機械学習における最近の研究は、特にテストセットに分散シフトがある場合、クラウドアノテーションから取得したソフトラベルからの学習が効果的であることを示した。 しかし、これらのソフトラベルを取得する最良の方法はタスク間で矛盾する。 本稿では,既存の手法による分布を集約することで,クラウドアノテーションからソフトラベルを取得する手法を提案する。 特に,群集アノテーションの複数ビューから温度スケーリングとJensen-Shannonセントロイドの分布を求めることによって,クラス間の分布を求めることを提案する。 これらのアグリゲーション手法を用いることで、ドメイン外のテストセットで4つのNLPタスクにまたがる最良あるいは最良に近いパフォーマンスを実現し、構成メソッドを単独で使用する場合のパフォーマンスの変動を軽減できることを示す。 さらに、これらの手法はタスク全体の不確実性推定の最良または最良となる。 我々は,個々のメソッドのパフォーマンスの矛盾を考慮に入れた上で,集団アノテーションをソフトラベルとして集約することは,最高の個々のビューよりも良いあるいは良いパフォーマンスを保証する効果的な方法である,と論じている。

関連論文リスト

• Self-Knowledge Distillation for Learning Ambiguity [11.755814660833549]
  最近の言語モデルは、その正確さを考慮せずに単一のラベルを過度に予測することが多い。 本稿では,ラベル分布をより正確に学習できる新しい自己知識蒸留法を提案する。 本手法を多種多様なNLUベンチマークデータセットで検証し,実験結果から,より優れたラベル分布を生成する上での有効性を実証した。
  論文  参考訳（メタデータ） (2024-06-14T05:11:32Z)
• Robust Zero-Shot Crowd Counting and Localization With Adaptive Resolution SAM [55.93697196726016]
  本稿では,SEEM(Seegment-Everything-Everywhere Model)を用いた簡易かつ効果的な群集カウント手法を提案する。 密集した群集シーンにおけるSEEMの性能は,高密度領域の多くの人々が欠落していることが主な原因である。 提案手法は,群集カウントにおいて最高の教師なし性能を実現すると同時に,いくつかの教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2024-02-27T13:55:17Z)
• 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)
• Crowd Counting with Sparse Annotation [28.793141115957564]
  スパースラベリングは、完全なアノテーションの冗長性を減らし、遠い個人からより多様な情報を捉えることができると論じる。 本稿では,画像全体からスパースアノテーションを用いて群集を探索するために,ポイントベースプログレッシブポイントマッチングネットワーク(PPM)を提案する。 実験結果から,PPMは従来の半教師あり群集カウント法よりも,同じ量のアノテーションで,大きなマージンで優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-04-12T17:57:48Z)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• Feature Diversity Learning with Sample Dropout for Unsupervised Domain Adaptive Person Re-identification [0.0]
  本稿では,ノイズの多い擬似ラベルを限定することで,より優れた一般化能力を持つ特徴表現を学習する手法を提案する。 我々は,古典的な相互学習アーキテクチャの下で,FDL(Feature Diversity Learning)と呼ばれる新しい手法を提案する。 実験の結果,提案するFDL-SDは,複数のベンチマークデータセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-01-25T10:10:48Z)
• Learning from Crowds with Sparse and Imbalanced Annotations [29.596070201105274]
  クラウドソーシングは、非専門家の群衆を頼りにすることで、効率的なラベリングソリューションとして自らを確立した。 一般的には、各インスタンスを複数のワーカに配布するが、各ワーカはデータのサブセットのみをアノテートする。 本稿では、自信ある擬似アノテーションを段階的に追加し、アノテーション分布を再バランスさせることにより、自己学習に基づく1つのアプローチ、Self-Crowdを提案する。
  論文  参考訳（メタデータ） (2021-07-11T13:06:20Z)
• CrowdTeacher: Robust Co-teaching with Noisy Answers & Sample-specific Perturbations for Tabular Data [8.276156981100364]
  コティーチング手法は、ノイズの多いラベルによるコンピュータビジョン問題に対する有望な改善を示している。 我々のモデルであるcrowdteacherは、入力空間モデルのロバスト性がノイズラベルの分類器の摂動を改善することができるという考えを採用している。 合成データと実データの両方でCrowdTeacherを用いて予測能力の向上を示す。
  論文  参考訳（メタデータ） (2021-03-31T15:09:38Z)

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。