論文の概要: Robust Representation Learning for Unreliable Partial Label Learning

• arxiv url: http://arxiv.org/abs/2308.16718v1
• Date: Thu, 31 Aug 2023 13:37:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-01 14:23:26.610440
• Title: Robust Representation Learning for Unreliable Partial Label Learning
• Title（参考訳）: 信頼できない部分ラベル学習のためのロバスト表現学習
• Authors: Yu Shi, Dong-Dong Wu, Xin Geng, Min-Ling Zhang
• Abstract要約: 部分ラベル学習(Partial Label Learning, PLL)は、弱い教師付き学習の一種で、各トレーニングインスタンスに候補ラベルのセットが割り当てられる。 これはUn Reliable partial Label Learning (UPLL) と呼ばれ、部分ラベルの本質的な信頼性の欠如とあいまいさにより、さらなる複雑さをもたらす。 本研究では,信頼できない部分ラベルに対するモデル強化を支援するために,信頼性に欠けるコントラスト学習を活用するUnreliability-Robust Representation Learning framework(URRL)を提案する。
• 参考スコア（独自算出の注目度）: 86.909511808373
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Partial Label Learning (PLL) is a type of weakly supervised learning where each training instance is assigned a set of candidate labels, but only one label is the ground-truth. However, this idealistic assumption may not always hold due to potential annotation inaccuracies, meaning the ground-truth may not be present in the candidate label set. This is known as Unreliable Partial Label Learning (UPLL) that introduces an additional complexity due to the inherent unreliability and ambiguity of partial labels, often resulting in a sub-optimal performance with existing methods. To address this challenge, we propose the Unreliability-Robust Representation Learning framework (URRL) that leverages unreliability-robust contrastive learning to help the model fortify against unreliable partial labels effectively. Concurrently, we propose a dual strategy that combines KNN-based candidate label set correction and consistency-regularization-based label disambiguation to refine label quality and enhance the ability of representation learning within the URRL framework. Extensive experiments demonstrate that the proposed method outperforms state-of-the-art PLL methods on various datasets with diverse degrees of unreliability and ambiguity. Furthermore, we provide a theoretical analysis of our approach from the perspective of the expectation maximization (EM) algorithm. Upon acceptance, we pledge to make the code publicly accessible.
• Abstract（参考訳）: 部分ラベル学習(英: partial label learning、pll)は、各トレーニングインスタンスが候補ラベルのセットに割り当てられる、弱教師付き学習の一種である。 しかし、この理想主義的な仮定は、潜在的なアノテーションの不正確さのために常に成り立つとは限りません。 これはUnreliable partial Label Learning (UPLL)として知られており、これは部分ラベルの固有の不信頼性と曖昧さによってさらに複雑になり、しばしば既存の手法による準最適性能をもたらす。 この課題に対処するために,我々は,unreliability-robust contrastive learningを活用したunreliability-robust representation learning framework (urrl)を提案する。 同時に、KNNベースの候補ラベルセットの修正と整合性規則化に基づくラベルの曖昧さを組み合わせ、ラベルの品質を向上し、URRLフレームワーク内での表現学習能力を高める2つの戦略を提案する。 広範囲な実験により,提案手法は信頼性と曖昧さの異なる様々なデータセット上で,最先端のPLL法より優れていることが示された。 さらに,予測最大化(EM)アルゴリズムの観点から,提案手法の理論的解析を行う。 受け入れられると、コードを公開することを約束します。

関連論文リスト

• 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)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• 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)
• Unreliable Partial Label Learning with Recursive Separation [44.901941653899264]
  信頼できない部分ラベル学習(UPLL)が提案され、真のラベルが候補ラベルセットに含まれない可能性がある。 再帰分離を伴う信頼できない部分ラベル学習(UPLLRS)という2段階のフレームワークを提案する。 本手法は,実験結果によって実証された最先端性能を示す。
  論文  参考訳（メタデータ） (2023-02-20T10:39:31Z)
• Meta Objective Guided Disambiguation for Partial Label Learning [44.05801303440139]
  メタ客観的ガイド型曖昧化(MoGD)を用いたラベル学習のための新しい枠組みを提案する。 MoGDは、小さな検証セットでメタ目標を解くことで、候補ラベルから基底トラスラベルを復元することを目的としている。 提案手法は,通常のSGDを用いた様々なディープネットワークを用いて容易に実装できる。
  論文  参考訳（メタデータ） (2022-08-26T06:48:01Z)
• 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)
• 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)

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。