論文の概要: Document Set Expansion with Positive-Unlabeled Learning: A Density Estimation-based Approach

• arxiv url: http://arxiv.org/abs/2401.11145v1
• Date: Sat, 20 Jan 2024 06:52:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 17:41:28.720852
• Title: Document Set Expansion with Positive-Unlabeled Learning: A Density Estimation-based Approach
• Title（参考訳）: 正ラベル学習による文書集合展開:密度推定に基づくアプローチ
• Authors: Haiyang Zhang, Qiuyi Chen, Yuanjie Zou, Yushan Pan, Jia Wang, Mark Stevenson
• Abstract要約: ドキュメントセットの拡張は,詳細なトピックに関する小さなドキュメントセットに基づいて,関連するドキュメントを大規模なコレクションから識別することを目的としている。 従来の研究は、PU学習がこのタスクに有望な方法であることを示している。 本稿では,上記の問題に対処可能な,密度推定に基づく新しいPU学習フレームワークpuDEを提案する。
• 参考スコア（独自算出の注目度）: 18.923476312831394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Document set expansion aims to identify relevant documents from a large collection based on a small set of documents that are on a fine-grained topic. Previous work shows that PU learning is a promising method for this task. However, some serious issues remain unresolved, i.e. typical challenges that PU methods suffer such as unknown class prior and imbalanced data, and the need for transductive experimental settings. In this paper, we propose a novel PU learning framework based on density estimation, called puDE, that can handle the above issues. The advantage of puDE is that it neither constrained to the SCAR assumption and nor require any class prior knowledge. We demonstrate the effectiveness of the proposed method using a series of real-world datasets and conclude that our method is a better alternative for the DSE task.
• Abstract（参考訳）: ドキュメントセットの拡張は、きめ細かいトピックの小さなドキュメントセットに基づいて、大きなコレクションから関連するドキュメントを識別することを目的としている。 従来の研究は、PU学習がこのタスクに有望な方法であることを示している。 しかし、いくつかの深刻な問題は未解決のままであり、すなわち、PUメソッドが未知のクラスと不均衡なデータや、トランスダクティブな実験設定の必要性といった典型的な問題である。 本稿では,上記の問題に対処可能な密度推定に基づく新しいPU学習フレームワークpuDEを提案する。 puDEの利点は、SCARの仮定に制約されず、いかなるクラス事前の知識も必要としないことです。 実世界のデータセットを用いて提案手法の有効性を実証し,提案手法がDSEタスクのより良い代替手段であることを示す。

関連論文リスト

• Uncertainty-guided Open-Set Source-Free Unsupervised Domain Adaptation with Target-private Class Segregation [22.474866164542302]
  UDAアプローチはソースとターゲットドメインが同じラベル空間を共有していると一般的に仮定する。 本稿では、SF-OSDA(Source-Free Open-set Domain Adaptation)設定の課題について考察する。 本稿では,サンプルを複数の未知のクラスに分離することで,ターゲット・プライベートカテゴリの粒度を利用したSF-OSDAの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-16T13:52:00Z)
• ActiveAD: Planning-Oriented Active Learning for End-to-End Autonomous Driving [96.92499034935466]
  自動運転のためのエンドツーエンドの差別化学習は、最近顕著なパラダイムになっている。 第一のボトルネックは、高品質なラベル付きデータに対する大胆な欲求にある。 収集した生データの一部を段階的に注釈付けする計画指向のアクティブラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:39:07Z)
• Contrastive Approach to Prior Free Positive Unlabeled Learning [15.269090018352875]
  本稿では,前文不変表現学習を通じて特徴空間を学習することから始まる,新しいPU学習フレームワークを提案する。 提案手法は,いくつかの標準PUベンチマークデータセットにおいて,最先端のPU学習手法より優れている。
  論文  参考訳（メタデータ） (2024-02-08T20:20:54Z)
• On Pitfalls of Test-Time Adaptation [82.8392232222119]
  TTA(Test-Time Adaptation)は、分散シフトの下で堅牢性に取り組むための有望なアプローチとして登場した。 TTABは,10の最先端アルゴリズム,多種多様な分散シフト,および2つの評価プロトコルを含むテスト時間適応ベンチマークである。
  論文  参考訳（メタデータ） (2023-06-06T09:35:29Z)
• Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
  我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。 凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:47:16Z)
• Offline Reinforcement Learning with Instrumental Variables in Confounded Markov Decision Processes [93.61202366677526]
  未測定の共同設立者を対象にオフライン強化学習(RL)について検討した。 そこで本稿では, 最適クラスポリシーを見つけるための, 有限サンプルの準最適性を保証した多種多様なポリシー学習手法を提案する。
  論文  参考訳（メタデータ） (2022-09-18T22:03:55Z)
• OTExtSum: Extractive Text Summarisation with Optimal Transport [45.78604902572955]
  テキスト要約を最適輸送(OT)問題として初めて定式化した非学習型手法を提案する。 提案手法は,最先端の非学習的手法と最近の学習的手法をROUGEメートル法で比較した。
  論文  参考訳（メタデータ） (2022-04-21T13:25:34Z)
• Variational Learning for Unsupervised Knowledge Grounded Dialogs [6.761874595503588]
  知識基底ダイアログの最近の手法は,外部文書からの情報を取り入れて応答を生成する。 我々は上記の手法に対する変分的アプローチを開発し、代わりにエビデンスローバウンド(ELBO)を最大化する。 我々の知識を最大限に活用するために、我々は、オープンスケールの教師なし知識ベースダイアログシステムに変分訓練を適用した最初の人物である。
  論文  参考訳（メタデータ） (2021-11-23T13:41:03Z)
• Boosting Weakly Supervised Object Detection via Learning Bounding Box Adjusters [76.36104006511684]
  高価なインスタンスレベルのオブジェクトアノテーションを避けるため、WSOD(Weakly-supervised Object Detection)が最近の話題として登場した。 我々は、よく注釈付けされた補助データセットからバウンディングボックス回帰知識を活用することにより、ローカライズ性能を向上させるための問題設定を擁護する。 提案手法は,WSOD法と知識伝達モデルに対して,同様の問題設定で良好に機能する。
  論文  参考訳（メタデータ） (2021-08-03T13:38:20Z)
• Positive-Unlabeled Classification under Class-Prior Shift: A Prior-invariant Approach Based on Density Ratio Estimation [85.75352990739154]
  密度比推定に基づく新しいPU分類法を提案する。 提案手法の顕著な利点は、訓練段階においてクラスプライヤを必要としないことである。
  論文  参考訳（メタデータ） (2021-07-11T13:36:53Z)
• Distributionally Robust Batch Contextual Bandits [20.667213458836734]
  歴史的観測データを用いた政策学習は、広く応用されている重要な問題である。 既存の文献は、学習方針が展開される将来の環境が過去の環境と同じである、という決定的な前提に基づいている。 本稿では、この仮定を引き上げ、不完全な観測データを用いて、分布的に堅牢なポリシーを学習することを目的とする。
  論文  参考訳（メタデータ） (2020-06-10T03:11:40Z)

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。