Fugu-MT 論文翻訳(概要): Robust Assignment of Labels for Active Learning with Sparse and Noisy Annotations

論文の概要: Robust Assignment of Labels for Active Learning with Sparse and Noisy Annotations

arxiv url: http://arxiv.org/abs/2307.14380v1
Date: Tue, 25 Jul 2023 19:40:41 GMT
ステータス: 処理完了
システム内更新日: 2023-07-28 17:18:30.448111
Title: Robust Assignment of Labels for Active Learning with Sparse and Noisy Annotations
Title（参考訳）: Sparse と Noisy アノテーションを用いた能動学習用ラベルのロバストアサインメント
Authors: Daniel Ka{\l}u\.za and Andrzej Janusz and Dominik \'Sl\k{e}zak
Abstract要約: 監視された分類アルゴリズムは、世界中の多くの現実の問題を解決するために使用される。残念なことに、多くのタスクに対して良質なアノテーションを取得することは、実際に行うには不可能か、あるいはコストがかかりすぎます。サンプル空間のラベルのない部分を利用する2つの新しいアノテーション統一アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 0.17188280334580192
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Supervised classification algorithms are used to solve a growing number of real-life problems around the globe. Their performance is strictly connected with the quality of labels used in training. Unfortunately, acquiring good-quality annotations for many tasks is infeasible or too expensive to be done in practice. To tackle this challenge, active learning algorithms are commonly employed to select only the most relevant data for labeling. However, this is possible only when the quality and quantity of labels acquired from experts are sufficient. Unfortunately, in many applications, a trade-off between annotating individual samples by multiple annotators to increase label quality vs. annotating new samples to increase the total number of labeled instances is necessary. In this paper, we address the issue of faulty data annotations in the context of active learning. In particular, we propose two novel annotation unification algorithms that utilize unlabeled parts of the sample space. The proposed methods require little to no intersection between samples annotated by different experts. Our experiments on four public datasets indicate the robustness and superiority of the proposed methods in both, the estimation of the annotator's reliability, and the assignment of actual labels, against the state-of-the-art algorithms and the simple majority voting.
Abstract（参考訳）: 教師付き分類アルゴリズムは、世界中の多くの現実の問題を解決するために使用される。彼らのパフォーマンスは、トレーニングで使用されるラベルの品質と密接に関連している。残念なことに、多くのタスクで良質なアノテーションを取得するのは、実現不可能か、実際に実施するには高価すぎる。この課題に取り組むために、アクティブラーニングアルゴリズムは、ラベル付けの最も関連するデータのみを選択するために一般的に用いられる。しかし、これは専門家から取得したラベルの品質と量で十分である場合に限られる。残念なことに、多くのアプリケーションでは、ラベルの品質を高めるために複数のアノテータによる個々のサンプルのアノテートと、ラベル付きインスタンスの総数を増やすために新しいサンプルのアノテートとのトレードオフが必要である。本稿では,アクティブラーニングの文脈において,データアノテーションの不備の問題に対処する。特に,サンプル空間のラベルのない部分を利用する2つの新しいアノテーション統一アルゴリズムを提案する。提案手法は, 異なる専門家によって注釈付けされたサンプル間の交叉をほとんど必要としない。提案手法のロバスト性と優越性,アノテータの信頼性の推定,および現状のアルゴリズムと単純多数決に対する実際のラベルの割り当てについて,4つの公開データセットを用いた実験を行った。

関連論文リスト

Determined Multi-Label Learning via Similarity-Based Prompt [12.428779617221366]
マルチラベル分類では、各トレーニングインスタンスは複数のクラスラベルに同時に関連付けられている。この問題を軽減するために,textitDetermined Multi-Label Learning (DMLL) と呼ばれる新しいラベル設定を提案する。
論文参考訳（メタデータ） (2024-03-25T07:08:01Z)
Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
論文参考訳（メタデータ） (2023-12-02T16:23:52Z)
Drawing the Same Bounding Box Twice? Coping Noisy Annotations in Object Detection with Repeated Labels [6.872072177648135]
そこで本研究では,基礎的真理推定手法に適合する新しい局所化アルゴリズムを提案する。また,本アルゴリズムは,TexBiGデータセット上でのトレーニングにおいて,優れた性能を示す。
論文参考訳（メタデータ） (2023-09-18T13:08:44Z)
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)
An Effective Approach for Multi-label Classification with Missing Labels [8.470008570115146]
分類ネットワークにさらなる複雑さをもたらすことなく、アノテーションのコストを削減するための擬似ラベルベースのアプローチを提案する。新たな損失関数を設計することにより、各インスタンスが少なくとも1つの正のラベルを含む必要があるという要求を緩和することができる。提案手法は,正のラベルと負のラベルの不均衡を扱える一方で,既存の欠落ラベル学習手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-10-24T23:13:57Z)
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)
Debiased Pseudo Labeling in Self-Training [77.83549261035277]
ディープニューラルネットワークは、大規模ラベル付きデータセットの助けを借りて、幅広いタスクで顕著なパフォーマンスを達成する。ラベル付きデータの要求を軽減するため、ラベル付けされていないデータに擬似ラベルを付けることにより、学術と産業の両方で自己学習が広く使われている。疑似ラベルの生成と利用を2つの独立した頭文字で分離するデバイアスドを提案する。
論文参考訳（メタデータ） (2022-02-15T02:14:33Z)
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)
Learning with Noisy Labels by Targeted Relabeling [52.0329205268734]
クラウドソーシングプラットフォームは、ディープニューラルネットワークをトレーニングするためのデータセット収集によく使用される。本稿では,少数のアノテーションを予約して,高い確率でラベル付け可能なエラーを明示的に緩和する手法を提案する。
論文参考訳（メタデータ） (2021-10-15T20:37:29Z)
Learning with Different Amounts of Annotation: From Zero to Many Labels [19.869498599986006]
NLPシステムのトレーニングは通常、例ごとに1つの人間ラベルを持つ注釈付きデータへのアクセスを前提としている。我々は、トレーニング例の小さなサブセットに対して、サンプル毎に複数のラベルを割り当てる、新しいアノテーション分布スキームについて検討する。このような複数ラベルの例を、より少ない例に注釈をつけるコストで導入することは、自然言語推論タスクとエンティティ型付けタスクに明らかな利益をもたらす。
論文参考訳（メタデータ） (2021-09-09T16:48:41Z)
Importance Reweighting for Biquality Learning [0.0]
本稿では,弱視学習のオリジナル,包括的視点を提案する。その結果、あらゆる種類のラベルノイズに対処できる汎用的なアプローチが考案された。本稿では、信頼できないデータセットの非破壊例を識別できる新しい再検討手法を提案する。
論文参考訳（メタデータ） (2020-10-19T15:59:56Z)

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。