論文の概要: SEAL: Simultaneous Label Hierarchy Exploration And Learning

• arxiv url: http://arxiv.org/abs/2304.13374v1
• Date: Wed, 26 Apr 2023 08:31:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-27 15:09:46.556024
• Title: SEAL: Simultaneous Label Hierarchy Exploration And Learning
• Title（参考訳）: SEAL: 同時ラベル階層探索と学習
• Authors: Zhiquan Tan, Zihao Wang, Yifan Zhang
• Abstract要約: 本稿では,従来の階層構造に従う潜在ラベルでラベルを増大させることにより,ラベル階層を探索する新しいフレームワークを提案する。 本手法では,木間距離空間上の1-ワッサーシュタイン計量を客観的関数として用いて,データ駆動型ラベル階層を同時に学習し,半教師付き学習を行う。
• 参考スコア（独自算出の注目度）: 9.701914280306118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Label hierarchy is an important source of external knowledge that can enhance classification performance. However, most existing methods rely on predefined label hierarchies that may not match the data distribution. To address this issue, we propose Simultaneous label hierarchy Exploration And Learning (SEAL), a new framework that explores the label hierarchy by augmenting the observed labels with latent labels that follow a prior hierarchical structure. Our approach uses a 1-Wasserstein metric over the tree metric space as an objective function, which enables us to simultaneously learn a data-driven label hierarchy and perform (semi-)supervised learning. We evaluate our method on several datasets and show that it achieves superior results in both supervised and semi-supervised scenarios and reveals insightful label structures. Our implementation is available at https://github.com/tzq1999/SEAL.
• Abstract（参考訳）: ラベル階層は、分類性能を向上させる外部知識の重要な源である。 しかし、既存のほとんどのメソッドは、データ分布と一致しない可能性のある事前定義されたラベル階層に依存している。 この問題に対処するため,従来の階層構造に従う潜在ラベルを用いてラベル階層を増大させることにより,ラベル階層を探索する新たなフレームワークであるSEALを提案する。 私たちのアプローチでは、ツリーメトリック空間上の1-wassersteinメトリックを客観的関数として使用することで、データ駆動ラベル階層を学習し、(半)教師付き学習を同時に行うことができる。 提案手法を複数のデータセットで評価し,教師ありおよび半教師ありのシナリオにおいて優れた結果を示し,洞察に富むラベル構造を明らかにする。 実装はhttps://github.com/tzq1999/sealで利用可能です。

関連論文リスト

• Semi-Supervised Hierarchical Multi-Label Classifier Based on Local Information [1.6574413179773761]
  局所情報に基づく半教師付き階層型多言語分類器(SSHMC-BLI) SSHMC-BLIは、ラベル付き隣人のラベルのパスからラベルなしのインスタンスごとに擬似ラベルを構築する。 機能ゲノミクスによる12の挑戦的なデータセットの実験では、ラベル付きデータとラベル付きデータを使用することで、ラベル付きデータのみに基づいてトレーニングされた教師付き階層型分類器のパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2024-04-30T20:16:40Z)
• Multi-Label Knowledge Distillation [86.03990467785312]
  本稿では,新しい多ラベル知識蒸留法を提案する。 一方、マルチラベル学習問題をバイナリ分類問題に分割することにより、ロジットからの情報的意味知識を利用する。 一方,ラベルワイド埋め込みの構造情報を活用することにより,学習した特徴表現の識別性を向上する。
  論文  参考訳（メタデータ） (2023-08-12T03:19:08Z)
• Exploring Structured Semantic Prior for Multi Label Recognition with Incomplete Labels [60.675714333081466]
  不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。 最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。 我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
  論文  参考訳（メタデータ） (2023-03-23T12:39:20Z)
• Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
  本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。 比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
  論文  参考訳（メタデータ） (2022-04-27T21:41:44Z)
• Label Hierarchy Transition: Delving into Class Hierarchies to Enhance Deep Classifiers [40.993137740456014]
  本稿では,階層型分類の課題に対処するために,ディープラーニングに基づく統一確率的フレームワークを提案する。 提案するフレームワークは、わずかに修正するだけで、既存のディープネットワークに容易に適応できる。 提案するLHTフレームワークを皮膚病変診断タスクに拡張し,コンピュータ支援診断におけるその大きな可能性を検証した。
  論文  参考訳（メタデータ） (2021-12-04T14:58:36Z)
• MATCH: Metadata-Aware Text Classification in A Large Hierarchy [60.59183151617578]
  MATCHはメタデータと階層情報の両方を利用するエンドツーエンドのフレームワークである。 親による各子ラベルのパラメータと出力確率を正規化するさまざまな方法を提案します。 大規模なラベル階層を持つ2つの大規模なテキストデータセットの実験は、MATCHの有効性を示しています。
  論文  参考訳（メタデータ） (2021-02-15T05:23:08Z)
• Joint Learning of Hyperbolic Label Embeddings for Hierarchical Multi-label Classification [9.996804039553858]
  ラベルが階層内に存在するマルチラベル分類の問題を検討する。 共同学習のための新しい定式化を提案し,その効果を実証的に評価する。
  論文  参考訳（メタデータ） (2021-01-13T10:58:54Z)
• Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
  提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。 実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
  論文  参考訳（メタデータ） (2020-09-12T17:36:53Z)
• Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
  まずラベル階層の知識を任意のCNNベースの分類器に注入する。 画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2020-04-02T10:22:02Z)

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。