論文の概要: Data Augmentation For Label Enhancement

• arxiv url: http://arxiv.org/abs/2303.11698v1
• Date: Tue, 21 Mar 2023 09:36:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-22 15:54:17.633708
• Title: Data Augmentation For Label Enhancement
• Title（参考訳）: ラベル強調のためのデータ拡張
• Authors: Zhiqiang Kou, Yuheng Jia, Jing Wang, Boyu Shi, Xin Geng
• Abstract要約: ラベル拡張(LE)が出現し、論理ラベルからラベル分布(LD)を回復する。 本稿では,低次元の特徴空間に原データを投影する新しいLE次元削減手法を提案する。 その結果,提案手法は,他の5つの比較手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 45.3351754830424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Label distribution (LD) uses the description degree to describe instances, which provides more fine-grained supervision information when learning with label ambiguity. Nevertheless, LD is unavailable in many real-world applications. To obtain LD, label enhancement (LE) has emerged to recover LD from logical label. Existing LE approach have the following problems: (\textbf{i}) They use logical label to train mappings to LD, but the supervision information is too loose, which can lead to inaccurate model prediction; (\textbf{ii}) They ignore feature redundancy and use the collected features directly. To solve (\textbf{i}), we use the topology of the feature space to generate more accurate label-confidence. To solve (\textbf{ii}), we proposed a novel supervised LE dimensionality reduction approach, which projects the original data into a lower dimensional feature space. Combining the above two, we obtain the augmented data for LE. Further, we proposed a novel nonlinear LE model based on the label-confidence and reduced features. Extensive experiments on 12 real-world datasets are conducted and the results show that our method consistently outperforms the other five comparing approaches.
• Abstract（参考訳）: ラベル分布(LD)は、記述度を用いてインスタンスを記述する。 しかし、LDは多くの現実世界のアプリケーションでは利用できない。 LDを得るには、論理ラベルからLDを回復するためにラベル強調(LE)が出現する。 既存のLEアプローチには次のような問題がある: (\textbf{i}) LDへのマッピングをトレーニングするために論理ラベルを使用するが、監督情報はあまりに緩いため、不正確なモデル予測につながる可能性がある; (\textbf{ii}) 特徴の冗長性を無視し、収集した特徴を直接使用する。 解く(\textbf{i})ために、より正確なラベル信頼を生成するために、特徴空間のトポロジーを使う。 解くために,本論文では,元のデータを低次元特徴空間に投影する新しい教師付きle次元減少手法を提案した。 この2つを組み合わせることで、le の拡張データを得る。 さらに,ラベル信頼度と特徴量の低減に基づく新しい非線形leモデルを提案した。 実世界の12のデータセットに関する広範囲な実験を行い,本手法が他の5つのアプローチを一貫して上回っていることを示す。

関連論文リスト

• Towards Better Performance in Incomplete LDL: Addressing Data Imbalance [48.54894491724677]
  我々は,不完全なラベルと不均衡なラベル分布を同時に扱うフレームワークであるtextIncomplete and Im Balance Label Distribution Learning (I(2)LDL)を提案する。 本手法は, ラベル分布行列を, 頻繁なラベルのための低ランク成分と希少なラベルのためのスパース成分に分解し, 頭部と尾部のラベルの構造を効果的に把握する。
  論文  参考訳（メタデータ） (2024-10-17T14:12:57Z)
• CELDA: Leveraging Black-box Language Model as Enhanced Classifier without Labels [14.285609493077965]
  クラスタリング強化線形識別分析(Linar Discriminative Analysis)は、非常に弱いスーパービジョン信号を用いてテキスト分類精度を向上させる新しい手法である。 我々のフレームワークは、LMモデルやデータラベルの重みや勾配にアクセスすることなく、正確な決定境界を描画する。
  論文  参考訳（メタデータ） (2023-06-05T08:35:31Z)
• Label Distribution Learning from Logical Label [19.632157794117553]
  ラベル分布学習(LDL)は、サンプルのラベル記述度(ラベル分布)を予測する効果的な方法である。 しかし、トレーニングサンプルのラベル分布のアノテートは非常にコストがかかる。 論理ラベルから直接LDLモデルを学習する新しい手法を提案し,LEとLDLを結合モデルに統一する。
  論文  参考訳（メタデータ） (2023-03-13T04:31:35Z)
• Inaccurate Label Distribution Learning [56.89970970094207]
  ラベル分布学習(LDL)は、ラベルの集合(ラベル分布(LD)と呼ばれる)のインスタンスへの関連性を予測するためにモデルを訓練する。 本稿では,不正確なLDL,すなわち雑音性LDを用いたLCLモデルの開発について検討する。
  論文  参考訳（メタデータ） (2023-02-25T06:23:45Z)
• Losses over Labels: Weakly Supervised Learning via Direct Loss Construction [71.11337906077483]
  プログラム可能な弱い監視は、機械学習のパラダイムとして成長している。 ラベルの中間ステップを経由することなく,直接損失を発生させるため,ラベルのロバスト・オーバー・ラベル(Losses over Labels, LoL)を提案する。 いくつかのベンチマークテキストおよび画像分類タスクにおいて、LoLは既存の弱い監督手法を改善していることを示す。
  論文  参考訳（メタデータ） (2022-12-13T22:29:14Z)
• Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
  そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。 提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-26T16:03:55Z)
• Gradient Imitation Reinforcement Learning for Low Resource Relation Extraction [52.63803634033647]
  低リソース関係抽出(LRE)は,人間のアノテーションが不足している場合に,ラベル付きコーパスから関係事実を抽出することを目的としている。 我々は、擬似ラベルデータにラベル付きデータへの勾配降下方向を模倣するように促すグラディエント・イミテーション強化学習法を開発した。 また,低リソース関係抽出における2つの主要なシナリオを扱うGradLREというフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-14T03:51:15Z)
• Bidirectional Loss Function for Label Enhancement and Distribution Learning [23.61708127340584]
  LDLには、学習過程における次元ギャップ問題への対処方法と、論理ラベルからラベル分布を復元する方法の2つの課題がある。 本研究では,LE問題とLCL問題に同時に適用可能な双方向投影関数について考察する。 LEとLDLの両方に対して提案手法の優位性を示すために,複数の実世界のデータセットの実験を行った。
  論文  参考訳（メタデータ） (2020-07-07T03:02:54Z)

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。