論文の概要: Linking data separation, visual separation, and classifier performance
using pseudo-labeling by contrastive learning
- arxiv url: http://arxiv.org/abs/2302.02663v1
- Date: Mon, 6 Feb 2023 10:01:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 17:06:26.125083
- Title: Linking data separation, visual separation, and classifier performance
using pseudo-labeling by contrastive learning
- Title（参考訳）: コントラスト学習による擬似ラベルを用いたリンクデータ分離・視覚分離・分類器性能
- Authors: B\'arbara Caroline Benato and Alexandre Xavier Falc\~ao and
Alexandru-Cristian Telea
- Abstract要約: 最終分類器の性能は、潜在空間に存在するデータ分離と、射影に存在する視覚的分離に依存すると論じる。
本研究は,ヒト腸管寄生虫の5つの現実的課題の画像データセットを1%の教師付きサンプルで分類し,その結果を実証する。
- 参考スコア（独自算出の注目度）: 125.99533416395765
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lacking supervised data is an issue while training deep neural networks
(DNNs), mainly when considering medical and biological data where supervision
is expensive. Recently, Embedded Pseudo-Labeling (EPL) addressed this problem
by using a non-linear projection (t-SNE) from a feature space of the DNN to a
2D space, followed by semi-supervised label propagation using a
connectivity-based method (OPFSemi). We argue that the performance of the final
classifier depends on the data separation present in the latent space and
visual separation present in the projection. We address this by first proposing
to use contrastive learning to produce the latent space for EPL by two methods
(SimCLR and SupCon) and by their combination, and secondly by showing, via an
extensive set of experiments, the aforementioned correlations between data
separation, visual separation, and classifier performance. We demonstrate our
results by the classification of five real-world challenging image datasets of
human intestinal parasites with only 1% supervised samples.
- Abstract（参考訳）: ディープニューラルネットワーク(DNN)をトレーニングしている間、主に監督が高価な医療データや生物学的データを考える場合、教師付きデータの欠如が問題となる。
近年,DNNの特徴空間から2次元空間への非線形射影 (t-SNE) と接続法 (OPFSemi) を用いた半教師付きラベル伝搬により,EPL(Embed Pseudo-Labeling) がこの問題に対処している。
最終分類器の性能は、潜在空間に存在するデータ分離と、射影に存在する視覚的分離に依存すると論じる。
そこで本研究では,2つの手法(simclrとsupcon)とそれらの組み合わせによるeplの潜在空間を,データ分離,視覚分離,分類器性能との相関関係を広範囲な実験により示すことで,eplの潜在空間を構築させる方法を提案する。
本研究は,ヒト腸管寄生虫の5つの現実的課題の画像データセットを1%の教師付きサンプルで分類した。
関連論文リスト
- Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。
DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。
10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-07-20T01:34:13Z) - Subject-Independent Deep Architecture for EEG-based Motor Imagery
Classification [0.5439020425819]
脳波(EEG)に基づく運動脳波(MI)分類は、非侵襲的脳-コンピュータインタフェース(BCI)システムにおいて広く用いられている手法である。
我々は、新しい主題に依存しない半教師付き深層構造(SSDA)を提案する。
提案されたSSDAは、教師なし要素と教師なし要素の2つの部分から構成される。
論文 参考訳（メタデータ） (2024-01-27T23:05:51Z) - Supervised Stochastic Neighbor Embedding Using Contrastive Learning [4.560284382063488]
同じクラスに属するサンプルのクラスタは、低次元の埋め込み空間にまとめられる。
我々は、自己教師付きコントラスト的アプローチを完全教師付き設定に拡張し、ラベル情報を効果的に活用する。
論文 参考訳（メタデータ） (2023-09-15T00:26:21Z) - Hodge-Aware Contrastive Learning [101.56637264703058]
単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。
我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
論文 参考訳（メタデータ） (2023-09-14T00:40:07Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Holistic Guidance for Occluded Person Re-Identification [7.662745552551165]
実世界のビデオ監視アプリケーションでは、人物の再識別(ReID)は、閉塞や検出エラーの影響に悩まされる。
個人識別ラベルにのみ依存するHG(Holistic Guidance)手法を提案する。
提案手法は, 包括的(非包括的)標本と, 包括的(非包括的)標本の包括的(包括的)な距離(DCD)分布を一致させることにより, この問題に対処する。
これに加えて、共同生成-識別的バックボーンは、デノナイジングオートエンコーダで訓練され、システムが制御される。
論文 参考訳（メタデータ） (2021-04-13T21:50:29Z) - Transductive Zero-Shot Learning by Decoupled Feature Generation [30.664199050468472]
本稿では,未確認のクラスからの未表示の視覚データを利用できるトランスダクティブ・セッティングに着目する。
本稿では,現実的な視覚的特徴を生成し,意味的属性を視覚的手がかりに変換するタスクを分離することを提案する。
本研究は,提案手法の有効性を解明する上で,関連する最先端技術に対する優位性を実証するための詳細なアブレーション研究である。
論文 参考訳（メタデータ） (2021-02-05T16:17:52Z) - Local Additivity Based Data Augmentation for Semi-supervised NER [59.90773003737093]
名前付きエンティティ認識(NER)は、深層言語理解の第1段階の1つである。
現在のNERモデルは、人間の注釈付きデータに大きく依存している。
半教師付きNERのための局所付加性に基づくデータ拡張法(LADA)を提案する。
論文 参考訳（メタデータ） (2020-10-04T20:46:26Z) - Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。
MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。
この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
論文 参考訳（メタデータ） (2020-07-27T17:03:50Z) - Generative Model-driven Structure Aligning Discriminative Embeddings for
Transductive Zero-shot Learning [21.181715602603436]
本稿では、潜在空間における視覚的および意味的なデータを整列する投影関数を学習するためのニューラルネットワークに基づくモデルを提案する。
AWA1, AWA2, CUB, SUN, FLOなどの標準ベンチマークデータセットにおいて, 優れた性能を示す。
また,ラベル付きデータ構造が極めて少ない場合においても,モデルの有効性を示す。
論文 参考訳（メタデータ） (2020-05-09T18:48:20Z)
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。