Fugu-MT 論文翻訳(概要): RACH-Space: Reconstructing Adaptive Convex Hull Space with applications in weak supervision

論文の概要: RACH-Space: Reconstructing Adaptive Convex Hull Space with applications in weak supervision

arxiv url: http://arxiv.org/abs/2307.04870v3
Date: Thu, 28 Sep 2023 07:10:39 GMT
ステータス: 処理完了
システム内更新日: 2023-09-29 20:18:12.403213
Title: RACH-Space: Reconstructing Adaptive Convex Hull Space with applications in weak supervision
Title（参考訳）: RACH-Space:Adaptive Convex Hull Spaceの再構築と弱監視への応用
Authors: Woojoo Na
Abstract要約: 本稿では,アンサンブル学習の新しい分類法であるRACH-Spaceを紹介する。特に,弱教師付き学習のためのラベルモデルとして適用可能性を示す。 RACH-Spaceは、データや弱い信号に対する最小限の仮定で実装の単純さを提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We introduce RACH-Space, a novel classification method in ensemble learning. In particular, we show its applicability as a label model for weakly supervised learning. RACH-Space offers simplicity in implementation with minimal assumptions on the data or weak signals. The model is well suited for scenarios where fully labeled data is not available. Our method is built upon geometrical interpretation of the space spanned by weak signals. Our analysis of the high dimensional convex hull structure underlying general set of weak signals bridges geometry with machine learning. Empirical results also demonstrate that RACH-Space works well in practice and compares favorably to best existing label models for weakly supervised learning.
Abstract（参考訳）: 本稿では,アンサンブル学習の新しい分類法であるRACH-Spaceを紹介する。特に,弱教師付き学習のためのラベルモデルとして適用可能性を示す。 RACH-Spaceは、データや弱い信号に対する最小限の仮定で実装の単純さを提供する。このモデルは、完全なラベル付きデータが利用できないシナリオに適している。本手法は弱信号にまたがる空間の幾何学的解釈に基づいている。弱信号の一般セットに基づく高次元凸船体構造の解析は,機械学習を用いた幾何学を橋渡しする。また、RACH-Spaceは実践的にうまく機能し、弱教師付き学習のための最良のラベルモデルと比較した。

関連論文リスト

Label-free Monitoring of Self-Supervised Learning Progress [1.2289361708127877]
自己教師付き学習(SSL)は、階層化されていないデータを利用してハイレベルな埋め込み空間を学習する効果的な方法である。本研究では,非競合データの埋め込みに適用可能ないくつかの評価指標を提案する。
論文参考訳（メタデータ） (2024-09-10T16:04:10Z)
Scalable manifold learning by uniform landmark sampling and constrained locally linear embedding [0.6144680854063939]
本研究では,大規模・高次元データを効率的に操作できるスケーラブルな多様体学習法を提案する。異なるタイプの合成データセットと実世界のベンチマークにおけるSCMLの有効性を実証的に検証した。 scMLはデータサイズや埋め込み次元の増大とともにスケールし、グローバル構造を保存する上で有望なパフォーマンスを示す。
論文参考訳（メタデータ） (2024-01-02T08:43:06Z)
Hub-VAE: Unsupervised Hub-based Regularization of Variational Autoencoders [11.252245456934348]
我々は、ハブベースの先行とハブベースのコントラスト損失を混合した非教師付きデータ駆動型潜在空間の正規化を提案する。本アルゴリズムは,組込み空間におけるクラスタ分離性,高精度なデータ再構成と生成を実現する。
論文参考訳（メタデータ） (2022-11-18T19:12:15Z)
Confident Sinkhorn Allocation for Pseudo-Labeling [40.883130133661304]
半教師付き学習は、ラベル付きデータへの機械学習の依存を減らす重要なツールである。本稿では,疑似ラベル作成における不確実性の役割を理論的に研究し,CSA(Confident Sinkhorn Allocation)を提案する。 CSAは、信頼度の高いサンプルのみへの最適な輸送を通して、最高の擬似ラベル割り当てを特定する。
論文参考訳（メタデータ） (2022-06-13T02:16:26Z)
Collaborative Intelligence Orchestration: Inconsistency-Based Fusion of Semi-Supervised Learning and Active Learning [60.26659373318915]
アクティブラーニング(AL)と半教師付きラーニング(SSL)は2つの効果があるが、しばしば孤立している。本稿では、SSL-ALの潜在的な優位性をさらに調査するために、革新的な一貫性に基づく仮想aDvErialアルゴリズムを提案する。 2つの実世界のケーススタディは、提案したデータサンプリングアルゴリズムの適用と展開の実践的な産業価値を可視化する。
論文参考訳（メタデータ） (2022-06-07T13:28:43Z)
ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for Semi-supervised Continual Learning [52.831894583501395]
連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。 ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
論文参考訳（メタデータ） (2021-01-02T09:04:14Z)
Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction [48.73525876467408]
本稿では,超スペクトル部分空間解析のための新しい手法を提案する。この手法はジョイント・アンド・プログレッシブ・サブスペース分析(JPSA)と呼ばれる。 2つの広帯域超スペクトルデータセットに対して提案したJPSAの優位性と有効性を示す実験を行った。
論文参考訳（メタデータ） (2020-09-21T16:29:59Z)
Distribution Aligning Refinery of Pseudo-label for Imbalanced Semi-supervised Learning [126.31716228319902]
Pseudo-label (DARP) アルゴリズムの分散アライメント・リファナリーを開発する。 DARPは最先端のSSLスキームと有効かつ効率的に互換性があることを示す。
論文参考訳（メタデータ） (2020-07-17T09:16:05Z)
Gradient Descent in RKHS with Importance Labeling [58.79085525115987]
我々は重要ラベル付け問題について研究し、ラベルなしデータが多く与えられている。ラベルなしデータの情報サブセットを効果的に選択できる新しい重要ラベル方式を提案する。
論文参考訳（メタデータ） (2020-06-19T01:55:00Z)
Robust Large-Margin Learning in Hyperbolic Space [64.42251583239347]
ユークリッド空間ではなく双曲型で分類器を学ぶための最初の理論的保証を示す。本研究では, 対向例の慎重な注入に頼って, 大面積超平面を効率よく学習するアルゴリズムを提案する。双曲空間によく埋め込まれる階層的データに対して、低埋め込み次元は優れた保証を保証することを証明している。
論文参考訳（メタデータ） (2020-04-11T19:11:30Z)

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。