Fugu-MT 論文翻訳(概要): Learning to Complement with Multiple Humans (LECOMH): Integrating Multi-rater and Noisy-Label Learning into Human-AI Collaboration

論文の概要: Learning to Complement with Multiple Humans (LECOMH): Integrating Multi-rater and Noisy-Label Learning into Human-AI Collaboration

arxiv url: http://arxiv.org/abs/2311.13172v1
Date: Wed, 22 Nov 2023 05:31:06 GMT
ステータス: 処理完了
システム内更新日: 2023-11-23 16:09:35.549757
Title: Learning to Complement with Multiple Humans (LECOMH): Integrating Multi-rater and Noisy-Label Learning into Human-AI Collaboration
Title（参考訳）: 複数人(LECOMH)を補完する学習 : マルチレータ学習とノイズラベル学習を人間-AIコラボレーションに統合する
Authors: Zheng Zhang, Kevin Wells, Gustavo Carneiro
Abstract要約: 本稿では,新しいベンチマークとLECOMH(Learning to Complement with Multiple Humans)アプローチを併用し,ノイズの多いラベル学習,マルチレータ学習,人間とAIのコラボレーションを行う。 LeCOMHは、テスト中の人間のコラボレーションのレベルを最適化し、コラボレーションコストを最小化しながら、分類精度を最適化することを目的としている。 LECOMHとヒトとAIのコラボレーション手法を,提案したベンチマークを用いて定量的に比較した。
参考スコア（独自算出の注目度）: 13.732390828747848
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The advent of learning with noisy labels (LNL), multi-rater learning, and human-AI collaboration has revolutionised the development of robust classifiers, enabling them to address the challenges posed by different types of data imperfections and complex decision processes commonly encountered in real-world applications. While each of these methodologies has individually made significant strides in addressing their unique challenges, the development of techniques that can simultaneously tackle these three problems remains underexplored. This paper addresses this research gap by integrating noisy-label learning, multi-rater learning, and human-AI collaboration with new benchmarks and the innovative Learning to Complement with Multiple Humans (LECOMH) approach. LECOMH optimises the level of human collaboration during testing, aiming to optimise classification accuracy while minimising collaboration costs that vary from 0 to M, where M is the maximum number of human collaborators. We quantitatively compare LECOMH with leading human-AI collaboration methods using our proposed benchmarks. LECOMH consistently outperforms the competition, with accuracy improving as collaboration costs increase. Notably, LECOMH is the only method enhancing human labeller performance across all benchmarks.
Abstract（参考訳）: ノイズラベル(lnl)、マルチレート学習、人間とaiのコラボレーションによる学習の出現は、堅牢な分類器の開発に革命をもたらし、現実世界のアプリケーションでよく見られる、さまざまなタイプのデータ不完全や複雑な意思決定プロセスによって生じる課題に対処することができるようになった。これらの方法論はそれぞれ、独自の課題に対処するために個別に大きな進歩を遂げてきたが、これらの3つの問題を同時に解決できるテクニックの開発は、未検討のままである。本稿では, ノイズラベル学習, マルチレータ学習, 人とAIのコラボレーションを新たなベンチマークと組み合わせ, LECOMH(Learning to Complement with Multiple Humans)アプローチによって, この研究ギャップに対処する。 LECOMHは、Mが人間の協力者の最大数である0からMまでのコラボレーションコストを最小化しながら、分類精度を最適化することを目的として、テスト中の人間のコラボレーションのレベルを最適化する。 LECOMHとヒトとAIのコラボレーション手法を,提案したベンチマークを用いて定量的に比較した。 LECOMHは競争を一貫して上回り、コラボレーションコストの増加とともに精度が向上する。特に、LECOMHは全てのベンチマークで人間のラベルラ性能を向上させる唯一の方法である。

関連論文リスト

Exploiting Minority Pseudo-Labels for Semi-Supervised Semantic Segmentation in Autonomous Driving [2.638145329894673]
マイノリティ・クラス・ラーニングを強化するためのプロフェッショナル・トレーニング・モジュールと、より包括的なセマンティック情報を学ぶための一般的なトレーニング・モジュールを提案する。実験では,ベンチマークデータセットの最先端手法と比較して優れた性能を示す。
論文参考訳（メタデータ） (2024-09-19T11:47:25Z)
Dynamic Correlation Learning and Regularization for Multi-Label Confidence Calibration [60.95748658638956]
本稿では,多ラベルシナリオにおける信頼度を適切に評価することを目的としたマルチラベル信頼性タスクを提案する。既存のシングルラベルキャリブレーション手法では、セマンティックな混乱に対処するために欠かせないカテゴリ相関を考慮できない。本稿では,多粒度セマンティック相関を利用した動的相関学習と正規化アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-07-09T13:26:21Z)
ProbMCL: Simple Probabilistic Contrastive Learning for Multi-label Visual Classification [16.415582577355536]
マルチラベル画像分類は、コンピュータビジョンや医用画像など、多くの領域において難しい課題である。最近の進歩は、グラフベースとトランスフォーマーベースのメソッドを導入し、パフォーマンスを改善し、ラベルの依存関係をキャプチャしている。本稿では,これらの課題に対処する新しいフレームワークである確率的多ラベルコントラスト学習(ProbMCL)を提案する。
論文参考訳（メタデータ） (2024-01-02T22:15:20Z)
Two-Step Active Learning for Instance Segmentation with Uncertainty and Diversity Sampling [20.982992381790034]
本研究では,不確実性に基づくサンプリングと多様性に基づくサンプリングを統合したポストホック能動学習アルゴリズムを提案する。提案アルゴリズムは単純で実装が容易なだけでなく,様々なデータセットに対して優れた性能を実現する。
論文参考訳（メタデータ） (2023-09-28T03:40:30Z)
Exploiting CLIP for Zero-shot HOI Detection Requires Knowledge Distillation at Multiple Levels [52.50670006414656]
大規模事前学習型視覚言語モデルであるCLIPを,多段階の知識蒸留に利用した。私たちのモデルをトレーニングするために、CLIPを使用して、グローバルイメージとローカルユニオン領域の両方のHOIスコアを生成する。このモデルは、完全な教師付きおよび弱い教師付き手法に匹敵する強力な性能を達成する。
論文参考訳（メタデータ） (2023-09-10T16:27:54Z)
Robust Representation Learning for Unreliable Partial Label Learning [86.909511808373]
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。
論文参考訳（メタデータ） (2023-08-31T13:37:28Z)
Unleashing the Potential of Regularization Strategies in Learning with Noisy Labels [65.92994348757743]
クロスエントロピー損失を用いた単純なベースラインと、広く使われている正規化戦略を組み合わせることで、最先端の手法より優れていることを示す。この結果から,正規化戦略の組み合わせは,ノイズラベルを用いた学習の課題に対処する上で,複雑なアルゴリズムよりも効果的であることが示唆された。
論文参考訳（メタデータ） (2023-07-11T05:58:20Z)
Reinforced Labels: Multi-Agent Deep Reinforcement Learning for Point-Feature Label Placement [0.0]
データビジュアライゼーションにおける複雑なタスクである配置のラベル付けにReinforcement Learning(RL)を導入する。提案手法は,多エージェント深層強化学習を用いてラベル配置戦略を学習する。提案手法により訓練された戦略は,未学習エージェントのランダムな戦略よりも有意に優れていた。
論文参考訳（メタデータ） (2023-03-02T16:18:00Z)
Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
論文参考訳（メタデータ） (2022-02-04T15:46:27Z)
Ask-n-Learn: Active Learning via Reliable Gradient Representations for Image Classification [29.43017692274488]
深い予測モデルは、ラベル付きトレーニングデータという形で人間の監督に依存する。 Ask-n-Learnは,各アルゴリズムで推定されたペスドラベルを用いて得られる勾配埋め込みに基づく能動的学習手法である。
論文参考訳（メタデータ） (2020-09-30T05:19:56Z)
Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
論文参考訳（メタデータ） (2020-09-20T15:05:29Z)

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。