論文の概要: Learning A Disentangling Representation For PU Learning

• arxiv url: http://arxiv.org/abs/2310.03833v1
• Date: Thu, 5 Oct 2023 18:33:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 18:59:00.887311
• Title: Learning A Disentangling Representation For PU Learning
• Title（参考訳）: PU学習のためのディエンタングリング表現の学習
• Authors: Omar Zamzam, Haleh Akrami, Mahdi Soltanolkotabi, Richard Leahy
• Abstract要約: 本稿では、ラベルのないデータを2つのクラスタに投影するロス関数を用いて、ニューラルネットワークに基づくデータ表現を学習することを提案する。 提案手法の性能向上を実証する PU データのシミュレーション実験を行った。
• 参考スコア（独自算出の注目度）: 18.94726971543125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we address the problem of learning a binary (positive vs. negative) classifier given Positive and Unlabeled data commonly referred to as PU learning. Although rudimentary techniques like clustering, out-of-distribution detection, or positive density estimation can be used to solve the problem in low-dimensional settings, their efficacy progressively deteriorates with higher dimensions due to the increasing complexities in the data distribution. In this paper we propose to learn a neural network-based data representation using a loss function that can be used to project the unlabeled data into two (positive and negative) clusters that can be easily identified using simple clustering techniques, effectively emulating the phenomenon observed in low-dimensional settings. We adopt a vector quantization technique for the learned representations to amplify the separation between the learned unlabeled data clusters. We conduct experiments on simulated PU data that demonstrate the improved performance of our proposed method compared to the current state-of-the-art approaches. We also provide some theoretical justification for our two cluster-based approach and our algorithmic choices.
• Abstract（参考訳）: 本稿では,pu学習と呼ばれる正・無ラベルデータに対して,二進分類器(正・負)を学習する問題に対処する。 クラスタリング,アウト・オブ・ディストリビューション検出,あるいは正密度推定といった初歩的な手法は,低次元環境での問題解決に有効であるが,データ分布の複雑さの増加により,その有効性は徐々に悪化する。 本稿では,ラベルのないデータを単純なクラスタリング手法で容易に識別できる2つの(正負の)クラスタに投影できるロス関数を用いて,ニューラルネットワークに基づくデータ表現を学習し,低次元設定で観測された現象を効果的にエミュレートする。 本研究では,学習表現のベクトル量子化手法を適用し,学習未ラベルデータクラスタ間の分離を増幅する。 提案手法の性能向上を示すシミュレーションPUデータについて, 現状の手法と比較して実験を行った。 また、2つのクラスタベースのアプローチとアルゴリズムの選択に関する理論的正当化も提供します。

関連論文リスト

• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• Mutual Information Learned Classifiers: an Information-theoretic Viewpoint of Training Deep Learning Classification Systems [9.660129425150926]
  クロスエントロピー損失は、重度のオーバーフィッティング動作を示すモデルを見つけるのに容易である。 本稿では,既存のDNN分類器のクロスエントロピー損失最小化が,基礎となるデータ分布の条件エントロピーを本質的に学習することを証明する。 ラベルと入力の相互情報を学習することで、DNN分類器を訓練する相互情報学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-03T15:09:19Z)
• Federated Representation Learning via Maximal Coding Rate Reduction [109.26332878050374]
  本稿では,複数のクライアントに分散したデータセットから低次元表現を学習する手法を提案する。 提案手法はFLOWと呼ばれ, MCR2を選択の対象とし, その結果, クラス間判別とクラス内圧縮の両方が可能な表現が得られた。
  論文  参考訳（メタデータ） (2022-10-01T15:43:51Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• Unsupervised feature selection via self-paced learning and low-redundant regularization [6.083524716031565]
  自己評価学習とサブスペース学習の枠組みを統合することにより,教師なしの特徴選択を提案する。 この手法の収束性は理論的および実験的に証明される。 実験の結果,提案手法はクラスタリング法の性能を向上し,他の比較アルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-12-14T08:28:19Z)
• Clustering augmented Self-Supervised Learning: Anapplication to Land Cover Mapping [10.720852987343896]
  本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。 社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2021-08-16T19:35:43Z)
• Graph Constrained Data Representation Learning for Human Motion Segmentation [14.611777974037194]
  本稿では,データの表現を学習し,データ自体からクラスタリング情報を掘り下げる新しい教師なしモデルを提案する。 HMSの4つのベンチマークデータセットによる実験結果から,我々の手法は,最先端手法によるクラスタリング性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2021-07-28T13:49:16Z)
• Solving Inefficiency of Self-supervised Representation Learning [87.30876679780532]
  既存のコントラスト学習法は、非常に低い学習効率に苦しむ。 アンダークラスタリングとオーバークラスタリングの問題は、学習効率の大きな障害である。 中央三重項損失を用いた新しい自己監督学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-18T07:47:10Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)
• Kernel Two-Dimensional Ridge Regression for Subspace Clustering [45.651770340521786]
  本稿では,2次元データに対する新しいサブスペースクラスタリング手法を提案する。 2Dデータを入力として直接使用するので、表現の学習はデータ固有の構造や関係から恩恵を受ける。
  論文  参考訳（メタデータ） (2020-11-03T04:52:46Z)

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。