論文の概要: Exploiting Counter-Examples for Active Learning with Partial labels

• arxiv url: http://arxiv.org/abs/2307.07413v1
• Date: Fri, 14 Jul 2023 15:41:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-17 13:36:15.877618
• Title: Exploiting Counter-Examples for Active Learning with Partial labels
• Title（参考訳）: 部分ラベルを用いたアクティブラーニングにおける反例の活用
• Authors: Fei Zhang, Yunjie Ye, Lei Feng, Zhongwen Rao, Jieming Zhu, Marcus Kalander, Chen Gong, Jianye Hao, Bo Han
• Abstract要約: 本稿では, 部分ラベルを用いたemphactive learning(ALPL)の新たな課題について検討する。 この設定では、オラクルはクエリサンプルに部分的なラベルを付加し、必要な正確なラベル付けプロセスからオラクルを緩和する。 我々は,このパターンを直接学習するために,シンプルだが効果的なWorseNetを提案する。
• 参考スコア（独自算出の注目度）: 45.665996618836516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies a new problem, \emph{active learning with partial labels} (ALPL). In this setting, an oracle annotates the query samples with partial labels, relaxing the oracle from the demanding accurate labeling process. To address ALPL, we first build an intuitive baseline that can be seamlessly incorporated into existing AL frameworks. Though effective, this baseline is still susceptible to the \emph{overfitting}, and falls short of the representative partial-label-based samples during the query process. Drawing inspiration from human inference in cognitive science, where accurate inferences can be explicitly derived from \emph{counter-examples} (CEs), our objective is to leverage this human-like learning pattern to tackle the \emph{overfitting} while enhancing the process of selecting representative samples in ALPL. Specifically, we construct CEs by reversing the partial labels for each instance, and then we propose a simple but effective WorseNet to directly learn from this complementary pattern. By leveraging the distribution gap between WorseNet and the predictor, this adversarial evaluation manner could enhance both the performance of the predictor itself and the sample selection process, allowing the predictor to capture more accurate patterns in the data. Experimental results on five real-world datasets and four benchmark datasets show that our proposed method achieves comprehensive improvements over ten representative AL frameworks, highlighting the superiority of WorseNet. The source code will be available at \url{https://github.com/Ferenas/APLL}.
• Abstract（参考訳）: 本稿では,部分ラベル付きemph{active learning} (ALPL) という新しい問題について検討する。 この設定では、oracleはクエリサンプルに部分ラベルを付け、要求される正確なラベリングプロセスからoracleをリラックスさせる。 ALPLに対処するために、私たちはまず、既存のALフレームワークにシームレスに組み込むことができる直感的なベースラインを構築します。 有効ではあるが、このベースラインは依然として \emph{overfitting} に影響を受けやすく、クエリプロセス中の代表的な部分ラベルベースのサンプルには及ばない。 認知科学における人間の推論からインスピレーションを得た場合、正確な推論は「emph{counter-examples} (CEs)」から明示的に導き出すことができ、この人間の学習パターンを利用して「emph{overfitting"」に取り組み、ALPLの代表的なサンプルを選択するプロセスを強化することが目的である。 具体的には,各インスタンスの部分ラベルを反転させてCEを構築し,この補完パターンから直接学習するための,シンプルだが効果的なWorseNetを提案する。 worsenetと予測器の分布ギャップを利用することで、この逆評価手法は予測器自体とサンプル選択プロセスの両方の性能を向上させることができ、予測器はデータのより正確なパターンを捉えることができる。 実世界の5つのデータセットと4つのベンチマークデータセットの実験結果から,提案手法は10のALフレームワークに対して包括的な改善を実現し,WorseNetの優位性を強調した。 ソースコードは \url{https://github.com/Ferenas/APLL} で入手できる。

関連論文リスト

• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
  部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。 誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-18T09:09:52Z)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• Active Learning by Feature Mixing [52.16150629234465]
  本稿では,ALFA-Mixと呼ばれるバッチ能動学習手法を提案する。 予測の不整合を求めることにより,不整合な特徴を持つインスタンスを同定する。 これらの予測の不整合は、モデルが未認識のインスタンスで認識できない特徴を発見するのに役立ちます。
  論文  参考訳（メタデータ） (2022-03-14T12:20:54Z)
• PAL : Pretext-based Active Learning [2.869739951301252]
  提案手法は,従来の提案手法よりも,誤ラベルに頑健な深層ニューラルネットワークの能動的学習手法を提案する。 ラベルのないサンプルを選別するために、別ネットワークを使用します。 その結果,ラベルノイズの欠如による競合精度も向上した。
  論文  参考訳（メタデータ） (2020-10-29T21:16:37Z)
• Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
  分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。 そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
  論文  参考訳（メタデータ） (2020-10-23T08:33:04Z)
• SoQal: Selective Oracle Questioning for Consistency Based Active Learning of Cardiac Signals [17.58391771585294]
  臨床設定はしばしば、豊富なラベル付きデータと限られたラベル付きデータによって特徴づけられる。 この負担を軽減する方法の1つは、(a)取得と(b)情報のないインスタンスのアノテーションを含むアクティブラーニング(AL)を通じてである。 BALCはBALDのような最先端の獲得機能より優れており,SoQalはノイズの多いオラクルの存在下でもベースライン法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-20T18:20:03Z)
• Rethinking Curriculum Learning with Incremental Labels and Adaptive Compensation [35.593312267921256]
  人間と同様に、ディープネットワークは、サンプルが組織化され、意味のある順序やカリキュラムで導入されたときに、よりよく学習することが示されている。 インクリメンタルラベルと適応補償を用いた学習(LILAC)を提案する。
  論文  参考訳（メタデータ） (2020-01-13T21:00:46Z)

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。