Fugu-MT 論文翻訳(概要): Label Embedding by Johnson-Lindenstrauss Matrices

論文の概要: Label Embedding by Johnson-Lindenstrauss Matrices

arxiv url: http://arxiv.org/abs/2305.19470v1
Date: Wed, 31 May 2023 00:38:55 GMT
ステータス: 処理完了
システム内更新日: 2023-06-01 19:05:49.268364
Title: Label Embedding by Johnson-Lindenstrauss Matrices
Title（参考訳）: Johnson-Lindenstrauss行列によるラベル埋め込み
Authors: Jianxin Zhang and Clayton Scott
Abstract要約: Johnson-Lindenstrauss matrices (JLMs) に基づく超多クラス分類のためのシンプルでスケーラブルなフレームワークを提案する。 JLMの列を使ってラベルを埋め込むと、$C$クラスの分類問題は$cO(log C)$出力次元の回帰問題に変換される。
参考スコア（独自算出の注目度）: 19.772652254660674
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a simple and scalable framework for extreme multiclass classification based on Johnson-Lindenstrauss matrices (JLMs). Using the columns of a JLM to embed the labels, a $C$-class classification problem is transformed into a regression problem with $\cO(\log C)$ output dimension. We derive an excess risk bound, revealing a tradeoff between computational efficiency and prediction accuracy, and further show that under the Massart noise condition, the penalty for dimension reduction vanishes. Our approach is easily parallelizable, and experimental results demonstrate its effectiveness and scalability in large-scale applications.
Abstract（参考訳）: Johnson-Lindenstrauss matrices (JLMs) に基づく超多クラス分類のためのシンプルでスケーラブルなフレームワークを提案する。 JLMの列を使ってラベルを埋め込むと、$C$クラスの分類問題は$\cO(\log C)$出力次元の回帰問題に変換される。計算効率と予測精度のトレードオフを明らかにする過大なリスクバウンダリを導出し,マッサートノイズ条件下では次元減少のペナルティがなくなることを示す。私たちのアプローチは容易に並列化でき、実験結果は大規模アプリケーションにおけるその効果と拡張性を示しています。

関連論文リスト

Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
論文参考訳（メタデータ） (2023-05-04T12:52:18Z)
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)
Learning with Proper Partial Labels [87.65718705642819]
部分ラベル学習は、不正確なラベルを持つ弱い教師付き学習の一種である。この適切な部分ラベル学習フレームワークには,従来の部分ラベル学習設定が数多く含まれていることを示す。次に、分類リスクの統一的非バイアス推定器を導出する。
論文参考訳（メタデータ） (2021-12-23T01:37:03Z)
Gradient-based Label Binning in Multi-label Classification [0.0]
多ラベル分類において、ラベル間の依存関係をモデル化する能力は、非分解性評価尺度を効果的に最適化するために重要である。最近の多くのブースティングアプローチで使われている2階微分の利用は、分解不能な損失の最小化を導くのに役立つ。本研究では,新しい近似手法を高速化手法に統合することにより,そのような手法の計算ボトルネックに対処する。
論文参考訳（メタデータ） (2021-06-22T11:48:48Z)
Disentangling Sampling and Labeling Bias for Learning in Large-Output Spaces [64.23172847182109]
異なる負のサンプリングスキームが支配的ラベルと稀なラベルで暗黙的にトレードオフパフォーマンスを示す。すべてのラベルのサブセットで作業することで生じるサンプリングバイアスと、ラベルの不均衡に起因するデータ固有のラベルバイアスの両方に明示的に対処する統一された手段を提供する。
論文参考訳（メタデータ） (2021-05-12T15:40:13Z)
Semi-supervised Active Learning for Instance Segmentation via Scoring Predictions [25.408505612498423]
インスタンスセグメンテーションのための新規かつ原則的な半教師付きアクティブ学習フレームワークを提案する。具体的には,クラス,バウンディングボックス,マスクの手がかりを明示的に評価するトリプレットスコア予測(tsp)という不確実性サンプリング戦略を提案する。医用画像データセットを用いた結果から,提案手法が有意義な方法で利用可能なデータから知識を具現化することを示す。
論文参考訳（メタデータ） (2020-12-09T02:36:52Z)
A Flexible Class of Dependence-aware Multi-Label Loss Functions [4.265467042008983]
本稿では,多ラベル分類のための新しいクラス損失関数を提案する。これは、ハミングやサブセット0/1のような一般的に使用される損失のデメリットを克服する。これらの損失の観点からのマルチラベルの評価は、実証的研究で示される。
論文参考訳（メタデータ） (2020-11-02T07:42:15Z)
Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
論文参考訳（メタデータ） (2020-03-02T13:59:41Z)
Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-02-19T08:35:15Z)
An interpretable semi-supervised classifier using two different strategies for amended self-labeling [0.0]
半教師付き分類技術は、学習期間中にラベル付きデータとラベルなしデータを組み合わせる。ブラックボックスを用いて,不足するクラスラベルとホワイトボックスを推定し,最終的な予測を説明する,解釈可能な自己ラベル付きグレーボックス分類器を提案する。
論文参考訳（メタデータ） (2020-01-26T19:37:41Z)

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。