Fugu-MT 論文翻訳(概要): A Characterization of Multilabel Learnability

論文の概要: A Characterization of Multilabel Learnability

arxiv url: http://arxiv.org/abs/2301.02729v1
Date: Fri, 6 Jan 2023 22:22:04 GMT
ステータス: 処理完了
システム内更新日: 2023-01-10 16:06:23.096019
Title: A Characterization of Multilabel Learnability
Title（参考訳）: マルチラベル学習能力のキャラクタリゼーション
Authors: Vinod Raman, Unique Subedi, Ambuj Tewari
Abstract要約: マルチラベル分類の問題点を考察し,バッチおよびオンライン設定における学習可能性について考察する。両方の設定において、各関数クラスのシングルラベル制限が学習可能である場合に限って、マルチラベル関数クラスが学習可能であることを示す。
参考スコア（独自算出の注目度）: 17.11922027966447
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We consider the problem of multilabel classification and investigate learnability in batch and online settings. In both settings, we show that a multilabel function class is learnable if and only if each single-label restriction of the function class is learnable. As extensions, we also study multioutput regression in the batch setting and bandit feedback in the online setting. For the former, we characterize learnability w.r.t. $L_p$ losses. For the latter, we show a similar characterization as in the full-feedback setting.
Abstract（参考訳）: マルチラベル分類の問題点を考察し,バッチおよびオンライン設定における学習可能性について考察する。両方の設定において、各関数クラスのシングルラベル制限が学習可能である場合に限り、マルチラベル関数クラスが学習可能であることを示す。拡張として,バッチ設定におけるマルチアウトプット回帰とオンライン設定におけるバンディットフィードバックについても検討した。前者は学習可能性w.r.t.$L_p$損失を特徴付ける。後者については、フルフィードバック設定と同様の特性を示す。

関連論文リスト

Exploring Fine-Grained Representation and Recomposition for Cloth-Changing Person Re-Identification [78.52704557647438]
補助的なアノテーションやデータなしに両方の制約に対処するために,新しいFIne-fine Representation and Recomposition (FIRe$2$) フレームワークを提案する。 FIRe$2$は、広く使われている5つのRe-IDベンチマークで最先端のパフォーマンスを実現することができる。
論文参考訳（メタデータ） (2023-08-21T12:59:48Z)
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)
Online Learning with Set-Valued Feedback [18.054632903107546]
学習者は1つのラベルを予測するが、フィードバックとしてラベルのテキストセットを受け取る。単一ラベルフィードバックによるオンラインマルチクラス学習とは異なり、決定論的かつランダムなオンライン学習は、実現可能な設定においてもテキストと同等であることを示す。
論文参考訳（メタデータ） (2023-06-09T20:43:19Z)
MT-SLVR: Multi-Task Self-Supervised Learning for Transformation In(Variant) Representations [2.94944680995069]
本稿では,パラメータ効率のよいマルチタスク型自己教師型フレームワーク(MT-SLVR)を提案する。我々は,様々な音声領域から抽出された数ショットの分類タスクに対するアプローチを評価し,分類性能の向上を実証した。
論文参考訳（メタデータ） (2023-05-29T09:10:50Z)
Reliable Representations Learning for Incomplete Multi-View Partial Multi-Label Classification [78.15629210659516]
本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
論文参考訳（メタデータ） (2023-03-30T03:09:25Z)
Identifiability Results for Multimodal Contrastive Learning [72.15237484019174]
本研究では,以前研究したマルチビュー設定よりも,より一般的な設定で共有要因を復元可能であることを示す。本研究は,マルチモーダル表現学習の理論的基盤を提供し,マルチモーダルコントラスト学習を実践的に効果的に設定する方法を説明する。
論文参考訳（メタデータ） (2023-03-16T09:14:26Z)
Reconnoitering the class distinguishing abilities of the features, to know them better [6.026640792312181]
説明可能性により、エンドユーザは、機械学習スキームの能力とユーティリティを透過的かつ人間的に参照することができる。本稿では,これらの特徴をクラスやカテゴリ識別機能に基づいて説明する。いくつかの実世界のマルチクラスデータセットで実証的に提案手法が与える説明可能性を検証する。
論文参考訳（メタデータ） (2022-11-23T08:39:41Z)
MGA-VQA: Multi-Granularity Alignment for Visual Question Answering [75.55108621064726]
視覚的な質問に答えることを学ぶことは、マルチモーダル入力が2つの特徴空間内にあるため、難しい作業である。視覚質問応答タスク(MGA-VQA)のための多言語アライメントアーキテクチャを提案する。我々のモデルはアライメントを異なるレベルに分割し、追加のデータやアノテーションを必要とせずにより良い相関関係を学習します。
論文参考訳（メタデータ） (2022-01-25T22:30:54Z)
Generative Multi-Label Zero-Shot Learning [136.17594611722285]
マルチラベルゼロショット学習は、トレーニング中にデータが入手できない複数の見えないカテゴリにイメージを分類する試みである。我々の研究は、(一般化された)ゼロショット設定におけるマルチラベル機能の問題に最初に取り組みました。私たちのクロスレベル核融合に基づく生成アプローチは、3つのデータセットすべてにおいて最先端の手法よりも優れています。
論文参考訳（メタデータ） (2021-01-27T18:56:46Z)
Adversarial Multi-Binary Neural Network for Multi-class Classification [19.298875915675502]
マルチタスクフレームワークを使用して、マルチクラス分類に対処する。我々は,クラス固有の特徴とクラスに依存しない特徴を識別するために,対人訓練を実践する。
論文参考訳（メタデータ） (2020-03-25T02:19:17Z)
Optimistic bounds for multi-output prediction [6.015556590955814]
教師付きデータセットに基づいてベクトル値関数を学習することが目的であるマルチアウトプット学習の課題について検討する。これには、マルチターゲット回帰、マルチクラス分類、マルチラベル分類など、機械学習におけるさまざまな重要な問題が含まれている。自己有界リプシッツ条件は多出力学習において楽観的な境界を生じさせることを示す。
論文参考訳（メタデータ） (2020-02-22T20:54:17Z)

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。