論文の概要: Local Boosting for Weakly-Supervised Learning

• arxiv url: http://arxiv.org/abs/2306.02859v1
• Date: Mon, 5 Jun 2023 13:24:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 15:02:32.177668
• Title: Local Boosting for Weakly-Supervised Learning
• Title（参考訳）: 弱教師付き学習のための局所ブースティング
• Authors: Rongzhi Zhang, Yue Yu, Jiaming Shen, Xiquan Cui, Chao Zhang
• Abstract要約: ブースティングは、強力なアンサンブルモデルと組み合わせることで、ベースモデルのセットのパフォーマンスを向上させる技術である。 弱い教師付き学習では、ほとんどのデータが弱くてノイズの多い情報源によってラベル付けされているが、効果的な強化アプローチを設計するのは簡単ではない。 我々は、弱教師付きブースティングのための新しいフレームワークである$textitLocalBoost$を提案する。
• 参考スコア（独自算出の注目度）: 21.95003048165616
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Boosting is a commonly used technique to enhance the performance of a set of base models by combining them into a strong ensemble model. Though widely adopted, boosting is typically used in supervised learning where the data is labeled accurately. However, in weakly supervised learning, where most of the data is labeled through weak and noisy sources, it remains nontrivial to design effective boosting approaches. In this work, we show that the standard implementation of the convex combination of base learners can hardly work due to the presence of noisy labels. Instead, we propose $\textit{LocalBoost}$, a novel framework for weakly-supervised boosting. LocalBoost iteratively boosts the ensemble model from two dimensions, i.e., intra-source and inter-source. The intra-source boosting introduces locality to the base learners and enables each base learner to focus on a particular feature regime by training new base learners on granularity-varying error regions. For the inter-source boosting, we leverage a conditional function to indicate the weak source where the sample is more likely to appear. To account for the weak labels, we further design an estimate-then-modify approach to compute the model weights. Experiments on seven datasets show that our method significantly outperforms vanilla boosting methods and other weakly-supervised methods.
• Abstract（参考訳）: ブースティングは、ベースモデルのセットを強力なアンサンブルモデルに組み合わせることで、パフォーマンスを向上させるために一般的に使用されるテクニックである。 広く採用されているが、boostingは通常、データが正確にラベル付けされた教師付き学習で使用される。 しかしながら、ほとんどのデータが弱くノイズの多いソースを通じてラベル付けされている弱い教師付き学習では、効果的なブースティングアプローチを設計することは非自明である。 本研究では,基本学習者の凸結合の標準的な実装は,ノイズのあるラベルが存在するため,ほとんど動作しないことを示す。 代わりに、弱教師付きブースティングのための新しいフレームワークである$\textit{LocalBoost}$を提案する。 LocalBoostは、アンサンブルモデルをイントラソースとイントラソースの2次元から反復的に強化する。 ソース内ブースティングは、ベース学習者に局所性を導入し、新しいベース学習者を粒度変動エラー領域で訓練することにより、ベース学習者が特定の特徴体系に集中できるようにする。 ソース間ブーピングでは、条件関数を利用して、サンプルがより出現しやすい弱いソースを示す。 弱いラベルを考慮し,モデル重みを計算するための推定量修正手法をさらに設計する。 7つのデータセットに対する実験により,本手法はバニラブースティング法や他の弱教師付き手法よりも優れていた。

関連論文リスト

• BoostAdapter: Improving Vision-Language Test-Time Adaptation via Regional Bootstrapping [64.8477128397529]
  本稿では,テスト時間適応フレームワークを提案する。 我々は、インスタンスに依存しない履歴サンプルとインスタンスを意識したブースティングサンプルから特徴を検索するための軽量なキー値メモリを維持している。 理論的には,本手法の背後にある合理性を正当化し,アウト・オブ・ディストリビューションとクロスドメイン・データセットの両方において,その有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2024-10-20T15:58:43Z)
• Achieving More with Less: A Tensor-Optimization-Powered Ensemble Method [53.170053108447455]
  アンサンブル学習(英: Ensemble learning)は、弱い学習者を利用して強力な学習者を生み出す方法である。 我々は、マージンの概念を活かした滑らかで凸な目的関数を設計し、強力な学習者がより差別的になるようにした。 そして、我々のアルゴリズムを、多数のデータセットの10倍の大きさのランダムな森林や他の古典的な手法と比較する。
  論文  参考訳（メタデータ） (2024-08-06T03:42:38Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• Language models are weak learners [71.33837923104808]
  本研究では,プロンプトベースの大規模言語モデルは弱い学習者として効果的に動作可能であることを示す。 これらのモデルをブースティングアプローチに組み込むことで、モデル内の知識を活用して、従来のツリーベースのブースティングよりも優れています。 結果は、プロンプトベースのLLMが、少数の学習者だけでなく、より大きな機械学習パイプラインのコンポーネントとして機能する可能性を示している。
  論文  参考訳（メタデータ） (2023-06-25T02:39:19Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Learning to Generate Novel Classes for Deep Metric Learning [24.048915378172012]
  本稿では,新しいクラスとその埋め込みベクトルを合成するデータ拡張手法を提案する。 クラスラベルとノイズを与えられた条件付き生成モデルを学習し、活用することにより、クラスにランダムな埋め込みベクトルを生成する。 提案したジェネレータは,現実的で多様なクラスを増大させることで,よりリッチなクラス関係を利用でき,その結果,見つからないサンプルをより一般化することができる。
  論文  参考訳（メタデータ） (2022-01-04T06:55:19Z)
• KGBoost: A Classification-based Knowledge Base Completion Method with Negative Sampling [29.14178162494542]
  KGBoostは、リンク予測の欠如のために強力な分類器を訓練する新しい方法である。 我々は、複数のベンチマークデータセットで実験を行い、KGBoostがほとんどのデータセットで最先端のメソッドより優れていることを示す。 エンドツーエンドの最適化によって訓練されたモデルと比較して、KGBoostは、より小さなモデルサイズを実現するために、低次元設定下でうまく機能する。
  論文  参考訳（メタデータ） (2021-12-17T06:19:37Z)
• Adaptive Boosting for Domain Adaptation: Towards Robust Predictions in Scene Segmentation [41.05407168312345]
  ドメイン適応とは、ソースドメインから学んだ共有知識を新しい環境、すなわちターゲットドメインに転送することである。 1つの一般的なプラクティスは、ラベル付きソースドメインデータとラベルなしターゲットドメインデータの両方でモデルをトレーニングすることです。 学習中に補足モデルを明確に学習する1つの効果的なブートストラップ法であるadaboost studentを提案する。
  論文  参考訳（メタデータ） (2021-03-29T15:12:58Z)
• MP-Boost: Minipatch Boosting via Adaptive Feature and Observation Sampling [0.0]
  MP-BoostはAdaBoostを緩くベースとしたアルゴリズムで、インスタンスと機能の小さなサブセットを適応的に選択することで学習する。 様々な二項分類タスクにおいて,提案手法の解釈可能性,比較精度,計算時間について実験的に検証した。
  論文  参考訳（メタデータ） (2020-11-14T04:26:13Z)
• BREEDS: Benchmarks for Subpopulation Shift [98.90314444545204]
  本研究では,人口変動に対するモデルのロバスト性を評価する手法を開発した。 既存のデータセットの基盤となるクラス構造を利用して、トレーニングとテストの分散を構成するデータサブポピュレーションを制御する。 この手法をImageNetデータセットに適用し、様々な粒度のサブポピュレーションシフトベンチマークスイートを作成する。
  論文  参考訳（メタデータ） (2020-08-11T17:04:47Z)

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。