Fugu-MT 論文翻訳(概要): Long-Tailed Partial Label Learning via Dynamic Rebalancing

論文の概要: Long-Tailed Partial Label Learning via Dynamic Rebalancing

arxiv url: http://arxiv.org/abs/2302.05080v1
Date: Fri, 10 Feb 2023 06:43:53 GMT
ステータス: 処理完了
システム内更新日: 2023-02-13 16:30:23.497602
Title: Long-Tailed Partial Label Learning via Dynamic Rebalancing
Title（参考訳）: 動的リバランシングによる長期部分ラベル学習
Authors: Feng Hong, Jiangchao Yao, Zhihan Zhou, Ya Zhang, Yanfeng Wang
Abstract要約: 実世界のデータは通常、ラベルの曖昧さと重い不均衡を兼ね備えている。 LTメソッドは、利用できないクラス分布の上に構築され、長い尾のコンテキストにおいて性能に大きく影響される。本稿では,クラス分布に関する事前知識を仮定することなく,ReCORDSと呼ばれる動的再バランス手法を提案する。
参考スコア（独自算出の注目度）: 30.16563291182992
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Real-world data usually couples the label ambiguity and heavy imbalance, challenging the algorithmic robustness of partial label learning (PLL) and long-tailed learning (LT). The straightforward combination of LT and PLL, i.e., LT-PLL, suffers from a fundamental dilemma: LT methods build upon a given class distribution that is unavailable in PLL, and the performance of PLL is severely influenced in long-tailed context. We show that even with the auxiliary of an oracle class prior, the state-of-the-art methods underperform due to an adverse fact that the constant rebalancing in LT is harsh to the label disambiguation in PLL. To overcome this challenge, we thus propose a dynamic rebalancing method, termed as RECORDS, without assuming any prior knowledge about the class distribution. Based on a parametric decomposition of the biased output, our method constructs a dynamic adjustment that is benign to the label disambiguation process and theoretically converges to the oracle class prior. Extensive experiments on three benchmark datasets demonstrate the significant gain of RECORDS compared with a range of baselines. The code is publicly available.
Abstract（参考訳）: 現実世界のデータは通常、ラベル曖昧性と重い不均衡を結合し、部分ラベル学習(pll)とロングテール学習(lt)のアルゴリズム的堅牢性に挑戦する。 LT-PLL と LT-PLL の直接的な組み合わせは基本的なジレンマに悩まされる: LT メソッドは PLL では利用できない特定のクラス分布の上に構築され、PLL のパフォーマンスは長い尾のコンテキストに大きく影響される。 PLL におけるラベルの曖昧さに対して,LT の定常的再バランスが厳密であるという事実から, 先行するオラクルクラスの補助的手法においても, 最先端の手法が不十分であることを示す。この課題を克服するために,クラス分布に関する事前の知識を仮定することなく,RECORDSと呼ばれる動的リバランス手法を提案する。バイアス付きアウトプットのパラメトリック分解に基づいて、この手法はラベルの曖昧さのプロセスに無関係な動的調整を構築し、理論上はoracleクラスに事前収束する。 3つのベンチマークデータセットに対する大規模な実験は、RECORDSがベースラインの範囲と比較して大幅に向上したことを示している。コードは公開されている。

関連論文リスト

A Channel-ensemble Approach: Unbiased and Low-variance Pseudo-labels is Critical for Semi-supervised Classification [61.473485511491795]
半教師付き学習(SSL)はコンピュータビジョンにおける実践的な課題である。 Pseudo-label (PL) メソッド、例えば FixMatch や FreeMatch は SSL で State of The Art (SOTA) のパフォーマンスを取得する。本稿では,複数の下位PLを理論的に保証された非偏りと低分散のPLに集約する,軽量なチャネルベースアンサンブル法を提案する。
論文参考訳（メタデータ） (2024-03-27T09:49:37Z)
Robust Representation Learning for Unreliable Partial Label Learning [86.909511808373]
部分ラベル学習(Partial Label Learning, PLL)は、弱い教師付き学習の一種で、各トレーニングインスタンスに候補ラベルのセットが割り当てられる。これはUn Reliable partial Label Learning (UPLL) と呼ばれ、部分ラベルの本質的な信頼性の欠如とあいまいさにより、さらなる複雑さをもたらす。本研究では,信頼できない部分ラベルに対するモデル強化を支援するために,信頼性に欠けるコントラスト学習を活用するUnreliability-Robust Representation Learning framework(URRL)を提案する。
論文参考訳（メタデータ） (2023-08-31T13:37:28Z)
Learning in Imperfect Environment: Multi-Label Classification with Long-Tailed Distribution and Partial Labels [53.68653940062605]
新しいタスク, 部分ラベリングとLong-Tailed Multi-Label Classification (PLT-MLC) を導入する。その結果,ほとんどのLT-MLCとPL-MLCは劣化MLCの解決に失敗していることがわかった。 textbfCOrrection $rightarrow$ textbfModificattextbfIon $rightarrow$ balantextbfCe。
論文参考訳（メタデータ） (2023-04-20T20:05:08Z)
Pseudo Labels Regularization for Imbalanced Partial-Label Learning [11.93067260471484]
部分ラベル学習と長期学習の課題は、まともな境界分布と擬似ラベルの描画を一致させることである。本手法は,ヘッドクラスの擬似ラベルを罰することにより,標準化されたベンチマークの下で最先端の手法を実装している。
論文参考訳（メタデータ） (2023-03-06T15:21:55Z)
Controller-Guided Partial Label Consistency Regularization with Unlabeled Data [49.24911720809604]
本稿では,ラベルレベルと表現レベルの両方において,コントローラ誘導整合正則化を提案する。信頼度閾値を動的に調整し、整合正則化に参加する各クラスのサンプル数が大まかに等しいようにし、クラス不均衡の問題を緩和する。
論文参考訳（メタデータ） (2022-10-20T12:15:13Z)
SoLar: Sinkhorn Label Refinery for Imbalanced Partial-Label Learning [31.535219018410707]
部分ラベル学習(Partial-label Learning, PLL)は、トレーニングサンプルが一般に、単一の真実ではなく、一連の候補ラベルに関連付けられている、独特な弱い教師付き学習課題である。本稿では,境界クラス事前分布のマッチングに向けて,曖昧なラベルを洗練するための新しいフレームワークであるSoLarを提案する。 SoLarは、従来の最先端の手法に比べて、標準化されたベンチマークにおいてかなり優れた結果を示している。
論文参考訳（メタデータ） (2022-09-21T14:00:16Z)
Progressive Purification for Instance-Dependent Partial Label Learning [37.65717805892473]
部分ラベル学習 (PLL) は、固定だが未知の候補ラベルが正しい候補ラベルのセットでアノテートされた例から、多クラス分類器を訓練することを目的としている。候補ラベルは常にインスタンス依存であり、インスタンス依存の例で訓練されたモデルが理想的な例に収束できるという理論的保証はない。本稿では,POP(PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification
論文参考訳（メタデータ） (2022-06-02T02:07:12Z)
Relieving Long-tailed Instance Segmentation via Pairwise Class Balance [85.53585498649252]
長い尾のインスタンスセグメンテーションは、クラス間のトレーニングサンプルの極端な不均衡のために難しいタスクである。尾のついたものに対して、(大多数のサンプルを含む)ヘッドクラスの深刻なバイアスを引き起こす。そこで本研究では,学習中の予測嗜好を蓄積するために,学習中に更新される混乱行列上に構築された新しいPairwise Class Balance(PCB)手法を提案する。
論文参考訳（メタデータ） (2022-01-08T07:48:36Z)
Two-stage Training for Learning from Label Proportions [18.78148397471913]
ラベルパーセンテージ(LLP)からの学習は、グループ化されたトレーニングデータにおいてラベルパーセンテージを持つインスタンスレベルの分類器を学習することを目的としている。ラベルノイズをさらに低減するために,混合戦略と対称クロスエントロピーを導入する。我々のフレームワークはモデルに依存しず、広範な実験において魅力的なパフォーマンス向上を示す。
論文参考訳（メタデータ） (2021-05-22T03:55:35Z)
Provably Consistent Partial-Label Learning [120.4734093544867]
部分ラベル学習 (Partial-label Learning, PLL) は多クラス分類問題である。本稿では,候補ラベル集合の第1世代モデルを提案し,一貫性が保証される2つの新しい手法を開発する。ベンチマークおよび実世界のデータセットの実験は、提案した生成モデルの有効性と2つの方法の有効性を検証する。
論文参考訳（メタデータ） (2020-07-17T12:19:16Z)

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。