論文の概要: Understanding Label Bias in Single Positive Multi-Label Learning

• arxiv url: http://arxiv.org/abs/2305.15584v1
• Date: Wed, 24 May 2023 21:41:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 18:31:42.167292
• Title: Understanding Label Bias in Single Positive Multi-Label Learning
• Title（参考訳）: 単一正のマルチラベル学習におけるラベルバイアスの理解
• Authors: Julio Arroyo and Pietro Perona and Elijah Cole
• Abstract要約: 画像ごとの正のラベルを1つだけ使い、効果的なマルチラベルを訓練することができる。 SPMLの標準ベンチマークは、従来のマルチラベル分類データセットに由来する。 本研究では,SPMLにおけるラベルバイアス研究のプロトコルを導入し,新たな実験結果を提供する。
• 参考スコア（独自算出の注目度）: 20.09309971112425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Annotating data for multi-label classification is prohibitively expensive because every category of interest must be confirmed to be present or absent. Recent work on single positive multi-label (SPML) learning shows that it is possible to train effective multi-label classifiers using only one positive label per image. However, the standard benchmarks for SPML are derived from traditional multi-label classification datasets by retaining one positive label for each training example (chosen uniformly at random) and discarding all other labels. In realistic settings it is not likely that positive labels are chosen uniformly at random. This work introduces protocols for studying label bias in SPML and provides new empirical results.
• Abstract（参考訳）: マルチラベル分類のためのアノテートデータは、すべてのカテゴリが存在または欠落していることを確認する必要があるため、違法に高価である。 近年のsingle positive multi-label(spml)学習の研究により、画像毎に1つの正のラベルだけで効果的なマルチラベル分類器を訓練できることが示されている。 しかし、SPMLの標準ベンチマークは、トレーニング例ごとに1つの正のラベルを保持し(ランダムに一様に)、他のすべてのラベルを捨てることで、従来のマルチラベル分類データセットから導かれる。 現実的な設定では、正のラベルがランダムに一様に選択される可能性は低い。 本研究ではSPMLにおけるラベルバイアスの研究プロトコルを導入し、新しい経験的結果を提供する。

関連論文リスト

• 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)
• 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)
• One Positive Label is Sufficient: Single-Positive Multi-Label Learning with Label Enhancement [71.9401831465908]
  本研究では,SPMLL (Single- positive multi-label learning) について検討した。 ラベルエンハンスメントを用いた単陽性MultIラベル学習という新しい手法を提案する。 ベンチマークデータセットの実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2022-06-01T14:26:30Z)
• 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)
• 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)
• Multi-Label Learning from Single Positive Labels [37.17676289125165]
  与えられた画像に対して適用可能なラベルを全て予測することは、マルチラベル分類(multi-label classification)として知られている。 その結果,ラベルの確認が著しく少ないにもかかわらず,完全ラベル付き分類器の性能にアプローチできることが示唆された。
  論文  参考訳（メタデータ） (2021-06-17T17:58:04Z)
• 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)
• Unsupervised Person Re-identification via Multi-label Classification [55.65870468861157]
  本稿では,教師なしのReIDを多ラベル分類タスクとして定式化し,段階的に真のラベルを求める。 提案手法は,まず,各人物画像に単一クラスラベルを割り当てることから始まり,ラベル予測のために更新されたReIDモデルを活用することで,多ラベル分類へと進化する。 マルチラベル分類におけるReIDモデルのトレーニング効率を高めるために,メモリベースマルチラベル分類損失(MMCL)を提案する。
  論文  参考訳（メタデータ） (2020-04-20T12:13:43Z)
• Partial Multi-label Learning with Label and Feature Collaboration [21.294791188490056]
  部分的マルチラベル学習(PML)は、各トレーニングインスタンスに候補ラベルのセットをアノテートするシナリオをモデル化する。 PMLデータに対する信頼性のある予測器を実現するため,PML-LFC (Partial Multi-label Learning with Label and Feature Collaboration)を提案する。 PML-LFCは、ラベルと特徴空間の両方から類似性を用いて、各インスタンスの関連ラベルの信頼性値を推定する。
  論文  参考訳（メタデータ） (2020-03-17T08:34:45Z)

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。