Fugu-MT 論文翻訳(概要): Contrastive Bootstrapping for Label Refinement

論文の概要: Contrastive Bootstrapping for Label Refinement

arxiv url: http://arxiv.org/abs/2306.04544v1
Date: Wed, 7 Jun 2023 15:49:04 GMT
ステータス: 処理完了
システム内更新日: 2023-06-08 13:33:14.581475
Title: Contrastive Bootstrapping for Label Refinement
Title（参考訳）: ラベルリファインメント用コントラストブートストラップ
Authors: Shudi Hou, Yu Xia, Muhao Chen, Sujian Li
Abstract要約: 通路のラベルを反復的に洗練するための軽量なコントラストクラスタリングに基づくブートストラップ法を提案する。 NYTと20Newsの実験は、我々の手法が最先端の手法よりも大きなマージンで優れていることを示している。
参考スコア（独自算出の注目度）: 34.55195008779178
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Traditional text classification typically categorizes texts into pre-defined coarse-grained classes, from which the produced models cannot handle the real-world scenario where finer categories emerge periodically for accurate services. In this work, we investigate the setting where fine-grained classification is done only using the annotation of coarse-grained categories and the coarse-to-fine mapping. We propose a lightweight contrastive clustering-based bootstrapping method to iteratively refine the labels of passages. During clustering, it pulls away negative passage-prototype pairs under the guidance of the mapping from both global and local perspectives. Experiments on NYT and 20News show that our method outperforms the state-of-the-art methods by a large margin.
Abstract（参考訳）: 伝統的テキスト分類は通常、テキストを定義済みの粗いクラスに分類するが、そこから生成されたモデルは、正確なサービスのために、より細かいカテゴリが定期的に出現する現実世界のシナリオを扱えない。本研究では,粗粒度分類のアノテーションと粗粒度マッピングを用いて,細粒度分類を行う環境について検討する。通路のラベルを反復的に洗練するための軽量なコントラストクラスタリングに基づくブートストラップ法を提案する。クラスタリング中、グローバルとローカルの両方の観点からマッピングのガイダンスの下で、負のパスプロトタイプペアを抽出する。 NYTと20Newsの実験は、我々の手法が最先端の手法よりも大きなマージンで優れていることを示している。

関連論文リスト

SelEx: Self-Expertise in Fine-Grained Generalized Category Discovery [55.72840638180451]
Generalized Category Discoveryは、新しいカテゴリーを同時に発見し、既知のカテゴリを正確に分類することを目的としている。自己超越と対照的な学習に強く依存する伝統的な手法は、細かなカテゴリーを区別する場合にしばしば不足する。モデルが微妙な違いを認識し、未知のカテゴリを明らかにする能力を高める。
論文参考訳（メタデータ） (2024-08-26T15:53:50Z)
A Generic Method for Fine-grained Category Discovery in Natural Language Texts [38.297873969795546]
そこで本研究では,新たな目的関数によって導かれる意味的類似テキストの微細なクラスタをうまく検出する手法を提案する。この方法は対数空間における意味的類似性を利用してユークリッド空間のサンプル分布を導く。また,リアルタイムアプリケーションをサポートするセントロイド推論機構を提案する。
論文参考訳（メタデータ） (2024-06-18T23:27:46Z)
Scribble Hides Class: Promoting Scribble-Based Weakly-Supervised Semantic Segmentation with Its Class Label [16.745019028033518]
画像レベルのクラスから情報を得たスクリブルアノテーションと擬似ラベルと、監督のためのグローバルセマンティクスの両方を利用するクラス駆動型スクリブルプロモーションネットワークを提案する。スクリブルアノテーションの異なる性質を持つScribbleSupデータセットの実験は、従来の手法よりも優れており、本手法の優位性と堅牢性を示している。
論文参考訳（メタデータ） (2024-02-27T14:51:56Z)
Revisiting Foreground and Background Separation in Weakly-supervised Temporal Action Localization: A Clustering-based Approach [48.684550829098534]
弱教師付き時間的アクションローカライゼーションは、アクションインスタンスをビデオレベルのアクションラベルのみでローカライズすることを目的としている。クラスタリングに基づく新しいF&B分離アルゴリズムを提案する。我々は,THUMOS14,ActivityNet v1.2,v1.3の3つのベンチマークで評価を行った。
論文参考訳（メタデータ） (2023-12-21T18:57:12Z)
Efficient Subclass Segmentation in Medical Images [3.383033695275859]
コストを削減するための実現可能な方法の1つは、補体として限定されたきめ細かいアノテーションを使用しながら、粗い粒度のスーパークラスラベルでアノテートすることである。セマンティックセグメンテーションタスクにおけるきめ細かいサブクラスの効率的な学習に関する研究が不足している。提案手法は,サブクラスアノテーションが限定された完全サブクラスアノテーションと十分なスーパークラスアノテーションで訓練されたモデルに匹敵する精度を実現する。
論文参考訳（メタデータ） (2023-07-01T07:39:08Z)
Weak-shot Semantic Segmentation by Transferring Semantic Affinity and Boundary [23.331708585468814]
既存の完全アノテーション付きベースカテゴリは,画像レベルのラベルのみを持つ新しいカテゴリのセグメンテーションオブジェクトとして有効であることを示す。本稿では,WSSSフレームワークを用いて,セマンティック親和性と境界を基本カテゴリから新しいカテゴリへ伝達する手法を提案する。
論文参考訳（メタデータ） (2021-10-04T15:37:25Z)
Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
論文参考訳（メタデータ） (2020-11-25T19:06:26Z)
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)
Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
数発の分類問題の調査に2つの貢献をしている。本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
論文参考訳（メタデータ） (2020-08-10T11:28:52Z)
Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
論文参考訳（メタデータ） (2020-04-12T03:53:53Z)

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。