論文の概要: Bridging the Gap between Model Explanations in Partially Annotated
Multi-label Classification
- arxiv url: http://arxiv.org/abs/2304.01804v1
- Date: Tue, 4 Apr 2023 14:00:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 13:38:54.807015
- Title: Bridging the Gap between Model Explanations in Partially Annotated
Multi-label Classification
- Title(参考訳): 部分アノテーション付きマルチラベル分類におけるモデル記述間のギャップを埋める
- Authors: Youngwook Kim, Jae Myung Kim, Jieun Jeong, Cordelia Schmid, Zeynep
Akata, Jungwoo Lee
- Abstract要約: 偽陰性ラベルがモデルの説明にどのように影響するかを考察する。
本稿では,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させる。
- 参考スコア(独自算出の注目度): 85.76130799062379
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to the expensive costs of collecting labels in multi-label classification
datasets, partially annotated multi-label classification has become an emerging
field in computer vision. One baseline approach to this task is to assume
unobserved labels as negative labels, but this assumption induces label noise
as a form of false negative. To understand the negative impact caused by false
negative labels, we study how these labels affect the model's explanation. We
observe that the explanation of two models, trained with full and partial
labels each, highlights similar regions but with different scaling, where the
latter tends to have lower attribution scores. Based on these findings, we
propose to boost the attribution scores of the model trained with partial
labels to make its explanation resemble that of the model trained with full
labels. Even with the conceptually simple approach, the multi-label
classification performance improves by a large margin in three different
datasets on a single positive label setting and one on a large-scale partial
label setting. Code is available at
https://github.com/youngwk/BridgeGapExplanationPAMC.
- Abstract(参考訳): マルチラベル分類データセットでラベルを収集するのにコストがかかるため、部分的に注釈付きマルチラベル分類はコンピュータビジョンの新たな分野となっている。
このタスクに対するベースラインのアプローチは、観測されていないラベルを負のラベルとして仮定することであるが、この仮定は偽の負の形でラベルノイズを誘導する。
偽陰性ラベルによる負の影響を理解するために,これらのラベルがモデルの説明にどのように影響するかを検討する。
完全ラベルと部分ラベルで訓練された2つのモデルの説明は、類似の領域を強調するが、異なるスケーリングでは、後者は帰属スコアが低い傾向にある。
これらの結果に基づき,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させることを提案する。
概念的に単純なアプローチであっても、マルチラベル分類性能は1つの正のラベル設定と大規模部分のラベル設定では3つの異なるデータセットにおいて大きなマージンで改善される。
コードはhttps://github.com/youngwk/BridgeGapExplanationPAMCで公開されている。
関連論文リスト
- Reduction-based Pseudo-label Generation for Instance-dependent Partial Label Learning [41.345794038968776]
本稿では,誤り候補ラベルの影響を軽減するために,リダクションに基づく擬似ラベルを活用することを提案する。
推定モデルから生成した擬似ラベルと比較して,減算に基づく擬似ラベルはベイズ最適分類器との整合性が高いことを示す。
論文 参考訳(メタデータ) (2024-10-28T07:32:20Z) - Dist-PU: Positive-Unlabeled Learning from a Label Distribution
Perspective [89.5370481649529]
本稿では,PU学習のためのラベル分布視点を提案する。
そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。
提案手法の有効性を3つのベンチマークデータセットで検証した。
論文 参考訳(メタデータ) (2022-12-06T07:38:29Z) - Category-Adaptive Label Discovery and Noise Rejection for Multi-label
Image Recognition with Partial Positive Labels [78.88007892742438]
部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。
これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。
我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
論文 参考訳(メタデータ) (2022-11-15T02:11:20Z) - An Effective Approach for Multi-label Classification with Missing Labels [8.470008570115146]
分類ネットワークにさらなる複雑さをもたらすことなく、アノテーションのコストを削減するための擬似ラベルベースのアプローチを提案する。
新たな損失関数を設計することにより、各インスタンスが少なくとも1つの正のラベルを含む必要があるという要求を緩和することができる。
提案手法は,正のラベルと負のラベルの不均衡を扱える一方で,既存の欠落ラベル学習手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-10-24T23:13:57Z) - Acknowledging the Unknown for Multi-label Learning with Single Positive
Labels [65.5889334964149]
伝統的に、全ての無注釈ラベルは、単一正のマルチラベル学習(SPML)において負のラベルとして仮定される。
本研究では, 予測確率のエントロピーを最大化するエントロピー最大化(EM)損失を提案する。
非通知ラベルの正負ラベル不均衡を考慮し、非対称耐性戦略とより精密な監視を行うセルフペースト手順を備えた非対称擬似ラベル(APL)を提案する。
論文 参考訳(メタデータ) (2022-03-30T11:43:59Z) - Multi-relation Message Passing for Multi-label Text Classification [19.37481051508782]
マルチラベル分類問題に対するMrMP(Multi-relation Message Passing)という新しい手法を提案する。
ベンチマークマルチラベルテキスト分類データセットの実験により、MrMPモジュールは最先端の手法と比較して類似または優れた性能が得られることが示された。
論文 参考訳(メタデータ) (2022-02-10T05:24:37Z) - Instance-Dependent Partial Label Learning [69.49681837908511]
部分ラベル学習は、典型的には弱教師付き学習問題である。
既存のほとんどのアプローチでは、トレーニングサンプルの間違ったラベルがランダムに候補ラベルとして選択されていると仮定している。
本稿では,各例が実数で構成された潜在ラベル分布と関連していると仮定する。
論文 参考訳(メタデータ) (2021-10-25T12:50:26Z) - Label Confusion Learning to Enhance Text Classification Models [3.0251266104313643]
ラベル混乱モデル(lcm)はラベル間の意味的重複を捉えるためにラベル混乱を学習する。
lcmは、元のホットラベルベクトルを置き換えるより優れたラベル分布を生成することができる。
5つのテキスト分類ベンチマークデータセットの実験により、広く使われているディープラーニング分類モデルに対するLCMの有効性が明らかにされた。
論文 参考訳(メタデータ) (2020-12-09T11:34:35Z) - A Study on the Autoregressive and non-Autoregressive Multi-label
Learning [77.11075863067131]
本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。
したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
論文 参考訳(メタデータ) (2020-12-03T05:41:44Z)
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。