論文の概要: PLOOD: Partial Label Learning with Out-of-distribution Objects

• arxiv url: http://arxiv.org/abs/2403.06681v4
• Date: Wed, 12 Mar 2025 05:54:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:36:07.078873
• Title: PLOOD: Partial Label Learning with Out-of-distribution Objects
• Title（参考訳）: PLOOD: アウト・オブ・ディストリビューション・オブジェクトを用いた部分的なラベル学習
• Authors: Jintao Huang, Yiu-Ming Cheung, Chi-Man Vong,
• Abstract要約: 既存のPartial Label Learning (PLL) メソッドは、トレーニングデータとテストデータが同じ分布に従属すると仮定する。 我々は,この問題に対処するためにDPLLパラダイムを導入する。 また,新たに提案したPLOODフレームワークにより,PNSA(Positive-Negative Sample)特徴学習とPE(Partial Energy)に基づくラベルリファインメントによるOODオブジェクトのシミュレートが可能となった。
• 参考スコア（独自算出の注目度）: 37.23754625256131
• License:
• Abstract: Existing Partial Label Learning (PLL) methods posit that training and test data adhere to the same distribution, a premise that frequently does not hold in practical application where Out-of-Distribution (OOD) objects are present. We introduce the OODPLL paradigm to tackle this significant yet underexplored issue. And our newly proposed PLOOD framework enables PLL to tackle OOD objects through Positive-Negative Sample Augmented (PNSA) feature learning and Partial Energy (PE)-based label refinement. The PNSA module enhances feature discrimination and OOD recognition by simulating in- and out-of-distribution instances, which employ structured positive and negative sample augmentation, in contrast to conventional PLL methods struggling to distinguish OOD samples. The PE scoring mechanism combines label confidence with energy-based uncertainty estimation, thereby reducing the impact of imprecise supervision and effectively achieving label disambiguation. Experimental results on CIFAR-10 and CIFAR-100, alongside various OOD datasets, demonstrate that conventional PLL methods exhibit substantial degradation in OOD scenarios, underscoring the necessity of incorporating OOD considerations in PLL approaches. Ablation studies show that PNSA feature learning and PE-based label refinement are necessary for PLOOD to work, offering a robust solution for open-set PLL problems.
• Abstract（参考訳）: 既存のPartial Label Learning (PLL) メソッドは、トレーニングデータとテストデータが同じ分布に従属することを示すもので、out-of-Distribution (OOD) オブジェクトが存在する実用的なアプリケーションでは、しばしば保持されない前提である。 OODPLLパラダイムを導入し、この重要な未解決問題に対処する。 新たに提案した PLOOD フレームワークにより,PLL は PNSA (Positive-Negative Sample Augmented) feature learning and partial Energy (PE)-based label refinement を通じて OOD オブジェクトに対処できる。 PNSAモジュールは、OODサンプルの識別に苦慮する従来のPLL法とは対照的に、構造化された正および負のサンプル増分を用いたイン・オブ・アウト・ディストリビューションインスタンスをシミュレートすることで、特徴識別とOOD認識を強化する。 PEスコアリング機構は、ラベル信頼度とエネルギーベースの不確実性推定を組み合わせ、不正確な監督の影響を低減し、ラベルの曖昧さを効果的に達成する。 CIFAR-10 と CIFAR-100 の実験結果から,従来の PLL 法は OOD のシナリオにおいてかなりの劣化を示し,PLL アプローチに OOD の考慮を組み込むことの必要性が示唆された。 アブレーション研究では、PLOODが機能するためには、PNSAの機能学習とPEベースのラベル改良が必要であることが示されており、オープンセットのPLL問題に対する堅牢な解決策を提供する。

関連論文リスト

• Realistic Evaluation of Deep Partial-Label Learning Algorithms [94.79036193414058]
  部分ラベル学習(Partial-label Learning, PLL)は、各サンプルが複数の候補ラベルに関連付けられている弱い教師付き学習問題である。 近年,モデル性能向上のために多くのディープアルゴリズムが開発されている。 初期のアルゴリズムは、しばしば過小評価され、複雑な設計で多くの後のアルゴリズムより優れている。
  論文  参考訳（メタデータ） (2025-02-14T14:22:16Z)
• COOD: Concept-based Zero-shot OOD Detection [12.361461338978732]
  ゼロショットマルチラベルOOD検出フレームワークであるCOODを紹介する。 ラベルごとに肯定的概念と否定的概念の両方で意味空間を豊かにすることにより、我々のアプローチは複雑なラベル依存をモデル化する。 提案手法は既存のアプローチよりも優れており,VOCとデータセットの両方で平均95%のAUROCを実現している。
  論文  参考訳（メタデータ） (2024-11-15T08:15:48Z)
• Envisioning Outlier Exposure by Large Language Models for Out-of-Distribution Detection [71.93411099797308]
  オープンワールドシナリオに機械学習モデルをデプロイする場合、アウト・オブ・ディストリビューション(OOD)サンプルは不可欠である。 本稿では,大規模言語モデル(LLM)の専門知識と推論能力を活用して,この制約に対処することを提案する。 EOEは、遠、近、きめ細かいOOD検出など、さまざまなタスクに一般化することができる。 EOEは様々なOODタスクで最先端のパフォーマンスを実現し、ImageNet-1Kデータセットに効果的にスケールできる。
  論文  参考訳（メタデータ） (2024-06-02T17:09:48Z)
• How Does Unlabeled Data Provably Help Out-of-Distribution Detection? [63.41681272937562]
  in-distribution (ID) とout-of-distribution (OOD) の両データの不均一性のため、未ラベルの in-the-wild データは非自明である。 本稿では,理論的保証と実証的有効性の両方を提供する新たな学習フレームワークであるSAL(Separate And Learn)を紹介する。
  論文  参考訳（メタデータ） (2024-02-05T20:36:33Z)
• Class Relevance Learning For Out-of-distribution Detection [16.029229052068]
  本稿では,OOD検出に適したクラス関連学習手法を提案する。 本手法は,OODパイプライン内のクラス間関係を戦略的に活用し,総合的なクラス関連学習フレームワークを確立する。
  論文  参考訳（メタデータ） (2023-09-21T08:38:21Z)
• AUTO: Adaptive Outlier Optimization for Online Test-Time OOD Detection [81.49353397201887]
  オープンソースアプリケーションに機械学習モデルをデプロイするには、アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。 我々は、未ラベルのオンラインデータをテスト時に直接利用してOOD検出性能を向上させる、テスト時OOD検出と呼ばれる新しいパラダイムを導入する。 本稿では,入出力フィルタ,IDメモリバンク,意味的に一貫性のある目的からなる適応外乱最適化(AUTO)を提案する。
  論文  参考訳（メタデータ） (2023-03-22T02:28:54Z)
• Training OOD Detectors in their Natural Habitats [31.565635192716712]
  アウト・オブ・ディストリビューション(OOD)検出は、野生にデプロイされた機械学習モデルにとって重要である。 近年の手法では,OOD検出の改善のために補助外乱データを用いてモデルを正規化している。 我々は、自然にIDとOODの両方のサンプルで構成される野生の混合データを活用する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T15:38:39Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)

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。