論文の概要: ImbaGCD: Imbalanced Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2401.05353v1
• Date: Mon, 4 Dec 2023 09:46:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 08:55:01.493526
• Title: ImbaGCD: Imbalanced Generalized Category Discovery
• Title（参考訳）: ImbaGCD: 一般カテゴリー発見の不均衡
• Authors: Ziyun Li, Ben Dai, Furkan Simsek, Christoph Meinel, Haojin Yang
• Abstract要約: 一般化クラス発見(GCD)は、未知のカテゴリをラベルのないデータセットで推論することを目的としている。 本質的には、未知の/珍しいクラスよりも、既知の/一般的なクラスに遭遇する可能性が高い。 InbaGCDは、一般化されたカテゴリ発見を実現するための、新しい最適なトランスポートベースの期待フレームワークである。
• 参考スコア（独自算出の注目度）: 8.905027373521213
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalized class discovery (GCD) aims to infer known and unknown categories in an unlabeled dataset leveraging prior knowledge of a labeled set comprising known classes. Existing research implicitly/explicitly assumes that the frequency of occurrence for each category, whether known or unknown, is approximately the same in the unlabeled data. However, in nature, we are more likely to encounter known/common classes than unknown/uncommon ones, according to the long-tailed property of visual classes. Therefore, we present a challenging and practical problem, Imbalanced Generalized Category Discovery (ImbaGCD), where the distribution of unlabeled data is imbalanced, with known classes being more frequent than unknown ones. To address these issues, we propose ImbaGCD, A novel optimal transport-based expectation maximization framework that accomplishes generalized category discovery by aligning the marginal class prior distribution. ImbaGCD also incorporates a systematic mechanism for estimating the imbalanced class prior distribution under the GCD setup. Our comprehensive experiments reveal that ImbaGCD surpasses previous state-of-the-art GCD methods by achieving an improvement of approximately 2 - 4% on CIFAR-100 and 15 - 19% on ImageNet-100, indicating its superior effectiveness in solving the Imbalanced GCD problem.
• Abstract（参考訳）: 一般化クラス発見(GCD)は、既知のクラスからなるラベル付き集合の事前知識を活用するラベル付きデータセットにおいて、未知のカテゴリを推論することを目的としている。 既存の研究では、各カテゴリの出現頻度は、既知のか未知かに関わらず、ラベルなしのデータでほぼ同じであると仮定している。 しかし、自然界では、視覚クラスの長い特性によれば、未知のクラスや非一般的なクラスよりも、既知のクラスや共通クラスに遭遇する可能性が高い。 そこで本研究では,非ラベルデータの分布が不均衡であり,既知のクラスが未知のクラスよりも頻繁である不均衡一般化カテゴリー発見(ImbaGCD)という課題を提起する。 この問題に対処するため,我々は,限界クラス事前分布を整合させることで一般化されたカテゴリ発見を実現する,新しい最適トランスポートベース期待最大化フレームワーク imbagcd を提案する。 ImbaGCDはまた、GCDセットアップの下で不均衡なクラス事前分布を推定するための体系的なメカニズムも組み込んでいる。 総合実験の結果,imbagcdはcifar-100で約24%,imagenet-100で15～19%の改善を達成し,従来のgcd法を上回っていることが明らかとなった。

関連論文リスト

• Happy: A Debiased Learning Framework for Continual Generalized Category Discovery [54.54153155039062]
  本稿では,C-GCD(Continuous Generalized Category Discovery)の未探索課題について考察する。 C-GCDは、学習済みのクラスを認識する能力を維持しながら、ラベルのないデータから新しいクラスを漸進的に発見することを目的としている。 本稿では,ハードネスを意識したプロトタイプサンプリングとソフトエントロピー正規化を特徴とする,偏りのある学習フレームワークであるHappyを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T04:18:51Z)
• Active Generalized Category Discovery [60.69060965936214]
  GCD(Generalized Category Discovery)は、新しいクラスと古いクラスの未ラベルのサンプルをクラスタ化するための取り組みである。 我々は,能動的学習の精神を取り入れて,能動的一般化カテゴリー発見(AGCD)という新たな設定を提案する。 提案手法は, 汎用および微粒なデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-07T07:12:24Z)
• Generalized Categories Discovery for Long-tailed Recognition [8.69033435074757]
  一般化されたクラスディスカバリは、既知のカテゴリと未知のカテゴリの両方をラベルのないデータセットから識別する上で重要な役割を果たす。 我々の研究は、長い尾の一般カテゴリー発見(Long-tailed GCD)パラダイムに焦点をあてて、この断線を橋渡ししようと試みています。 長い尾を持つGCDがもたらす特異な課題に対応するため、2つの戦略正則化に固定された頑健な方法論を提案する。
  論文  参考訳（メタデータ） (2023-12-04T09:21:30Z)
• Towards Distribution-Agnostic Generalized Category Discovery [51.52673017664908]
  データ不均衡とオープンエンドの分布は、現実の視覚世界の本質的な特性である。 我々は,BaCon(Self-Balanced Co-Advice contrastive framework)を提案する。 BaConは、対照的な学習ブランチと擬似ラベルブランチで構成され、DA-GCDタスクを解決するためのインタラクティブな監視を提供するために協力して動作する。
  論文  参考訳（メタデータ） (2023-10-02T17:39:58Z)
• OpenGCD: Assisting Open World Recognition with Generalized Category Discovery [4.600906853436266]
  望ましいオープンワールド認識(OWR)システムは、3つのタスクを実行する必要がある。 上記の問題を逐次解決するために,3つの鍵となるアイデアを組み合わせたOpenGCDを提案する。 2つの標準分類ベンチマークと挑戦的なデータセットの実験は、OpenGCDが優れた互換性を提供するだけでなく、他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2023-08-14T04:10:45Z)
• Dynamic Conceptional Contrastive Learning for Generalized Category Discovery [76.82327473338734]
  Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。 ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。 GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。 本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T14:04:39Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Classify and Generate Reciprocally: Simultaneous Positive-Unlabelled Learning and Conditional Generation with Extra Data [77.31213472792088]
  クラスラベルデータの不足は、多くの機械学習問題において、ユビキタスなボトルネックとなっている。 本稿では, 正負ラベル付き(PU)分類と, 余分なラベル付きデータによる条件生成を活用することで, この問題に対処する。 本稿では,PU分類と条件生成を併用した新たなトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-14T08:27:40Z)

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。