Fugu-MT 論文翻訳(概要): Bayes classifier cannot be learned from noisy responses with unknown noise rates

論文の概要: Bayes classifier cannot be learned from noisy responses with unknown noise rates

arxiv url: http://arxiv.org/abs/2304.06574v1
Date: Thu, 13 Apr 2023 14:35:57 GMT
ステータス: 処理完了
システム内更新日: 2023-04-14 14:06:53.342547
Title: Bayes classifier cannot be learned from noisy responses with unknown noise rates
Title（参考訳）: ノイズ率の未知な雑音応答からベイズ分類器は学習できない
Authors: Soham Bakshi and Subha Maity
Abstract要約: ベイズ決定規則は、ノイズラベルを持つほとんどの分類問題において未同定であることを示す。ノイズ分布の知識を必要としないベイズ決定規則を簡易に学習するアルゴリズムを開発した。
参考スコア（独自算出の注目度）: 1.90365714903665
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Training a classifier with noisy labels typically requires the learner to specify the distribution of label noise, which is often unknown in practice. Although there have been some recent attempts to relax that requirement, we show that the Bayes decision rule is unidentified in most classification problems with noisy labels. This suggests it is generally not possible to bypass/relax the requirement. In the special cases in which the Bayes decision rule is identified, we develop a simple algorithm to learn the Bayes decision rule, that does not require knowledge of the noise distribution.
Abstract（参考訳）: ノイズのあるラベルを持つ分類器を訓練するには、学習者がラベルノイズの分布を特定する必要がある。この要件を緩和しようとする最近の試みはいくつかあるが、ベイズ決定規則はノイズラベルを持つほとんどの分類問題において未同定であることを示す。これは一般的に要求をバイパス/緩和することは不可能であることを示している。ベイズ決定規則を特定できる特殊な場合において,ノイズ分布の知識を必要としないベイズ決定規則を学習するための単純なアルゴリズムを開発した。

関連論文リスト

Multi-Label Noise Transition Matrix Estimation with Label Correlations: Theory and Algorithm [73.94839250910977]
ノイズの多いマルチラベル学習は、大規模な正確なラベルの収集によって生じる課題により、注目を集めている。遷移行列の導入は、マルチラベルノイズをモデル化し、統計的に一貫したアルゴリズムの開発に役立つ。そこで本稿では, アンカーポイントを必要とせずに, ラベル相関を利用した新しい推定器を提案する。
論文参考訳（メタデータ） (2023-09-22T08:35:38Z)
Towards the Identifiability in Noisy Label Learning: A Multinomial Mixture Approach [37.32107678838193]
雑音ラベル(LNL)からの学習は、ディープラーニングにおいて重要な役割を果たす。最も有望なLNLメソッドは、ノイズの多いアノテーションでデータセットからクリーンなラベルサンプルを特定することに依存する。そこで本研究では,最寄りの住民を対象に,雑音ラベルの分布を推定することで,新たな雑音ラベルを自動的に生成する手法を提案する。
論文参考訳（メタデータ） (2023-01-04T01:54:33Z)
Noise tolerance of learning to rank under class-conditional label noise [1.14219428942199]
経験的リスク最小化が一貫した手順である耐雑音性LtR損失のクラスについて述べる。また、一般的に使われている損失関数の耐雑音性アナログも開発する。
論文参考訳（メタデータ） (2022-08-03T15:04:48Z)
Robustness to Label Noise Depends on the Shape of the Noise Distribution in Feature Space [6.748225062396441]
騒音分布の規模と形状が後部確率に影響を及ぼすことを示す。雑音分布が決定境界を目標とする場合、小さなノイズであっても、分類ロバスト性は低下しうることを示す。
論文参考訳（メタデータ） (2022-06-02T15:41:59Z)
Robust Long-Tailed Learning under Label Noise [50.00837134041317]
本研究では,長期ラベル分布におけるラベルノイズ問題について検討する。本稿では,長期学習のための雑音検出を実現する頑健なフレームワークAlgoを提案する。我々のフレームワークは、半教師付き学習アルゴリズムを自然に活用して一般化をさらに改善することができる。
論文参考訳（メタデータ） (2021-08-26T03:45:00Z)
Tackling Instance-Dependent Label Noise via a Universal Probabilistic Model [80.91927573604438]
本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
論文参考訳（メタデータ） (2021-01-14T05:43:51Z)
A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
論文参考訳（メタデータ） (2020-12-22T06:36:58Z)
Extended T: Learning with Mixed Closed-set and Open-set Noisy Labels [86.5943044285146]
ラベルノイズ遷移行列$T$は、真のラベルがノイズのあるものへと反転する確率を反映する。本稿では,閉集合と開集合の混在したラベル雑音下での学習に着目した。本手法は,従来の最先端のラベル雑音学習法よりも頑健な性能を追求し,混合ラベル雑音をモデル化する。
論文参考訳（メタデータ） (2020-12-02T02:42:45Z)
Exemplar Guided Active Learning [13.084183663366824]
我々は、限られた予算を用いて、大規模な未ラベルデータセットの小さなサブセットをラベル付けする問題を賢明に検討する。いずれにせよ、知識ベースから候補ラベルのセットがあるが、ラベルセットは必ずしもデータに何が起こるかを表すものではない。本稿では,現代言語モデルが提供する文脈埋め込み空間を活用することで,希少なクラスを明示的に検索する能動的学習手法について述べる。
論文参考訳（メタデータ） (2020-11-02T20:01:39Z)
Multi-Class Classification from Noisy-Similarity-Labeled Data [98.13491369929798]
雑音に類似したラベル付きデータのみから学習する方法を提案する。ノイズ遷移行列を用いて、クリーンデータとノイズデータの間にクラス後確率をブリッジする。雑音のないクラスラベルをインスタンスに割り当てる新しい学習システムを構築した。
論文参考訳（メタデータ） (2020-02-16T05:10:21Z)

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。