論文の概要: Mixture of Mixups for Multi-label Classification of Rare Anuran Sounds
- arxiv url: http://arxiv.org/abs/2403.09598v2
- Date: Fri, 21 Jun 2024 20:09:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-26 01:31:59.798522
- Title: Mixture of Mixups for Multi-label Classification of Rare Anuran Sounds
- Title（参考訳）: 希少なオーロラ音のマルチラベル分類のための混合音の混合
- Authors: Ilyass Moummad, Nicolas Farrugia, Romain Serizel, Jeremy Froidevaux, Vincent Lostanlen,
- Abstract要約: マルチラベルの不均衡な分類は、機械学習において大きな課題となる。
本稿では,AnuraSetを用いてアヌラ種を分類する特定の事例に焦点を当てた。
- 参考スコア（独自算出の注目度）: 9.295580499423263
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Multi-label imbalanced classification poses a significant challenge in machine learning, particularly evident in bioacoustics where animal sounds often co-occur, and certain sounds are much less frequent than others. This paper focuses on the specific case of classifying anuran species sounds using the dataset AnuraSet, that contains both class imbalance and multi-label examples. To address these challenges, we introduce Mixture of Mixups (Mix2), a framework that leverages mixing regularization methods Mixup, Manifold Mixup, and MultiMix. Experimental results show that these methods, individually, may lead to suboptimal results; however, when applied randomly, with one selected at each training iteration, they prove effective in addressing the mentioned challenges, particularly for rare classes with few occurrences. Further analysis reveals that Mix2 is also proficient in classifying sounds across various levels of class co-occurrences.
- Abstract（参考訳）: マルチラベルの不均衡な分類は、機械学習において重要な課題となり、特に生物音響学において、動物の音がしばしば共起し、特定の音が他の音よりもはるかに少ないことが顕著である。
本稿では,クラス不均衡とマルチラベルの両方の例を含むデータセットAnuraSetを用いて,アヌラン種の音を分類する特定の事例に焦点を当てた。
これらの課題に対処するために、Mixup、Manifold Mixup、MultiMixの混合正規化手法を利用したMixture of Mixups(Mix2)を紹介する。
実験結果から,これらの手法は個別に最適以下の結果をもたらす可能性が示唆された。しかし,各トレーニングイテレーションで選択された1つをランダムに適用した場合,特に稀なクラスにおいて,上記の課題に対処する上で有効であることが示唆された。
さらに分析した結果、Mix2は様々なレベルの共起音の分類に長けていることが明らかとなった。
関連論文リスト
- PowMix: A Versatile Regularizer for Multimodal Sentiment Analysis [71.8946280170493]
本稿では,単相混合型正規化手法の強みを生かした汎用な埋め込み空間正規化器であるPowMixを紹介する。
PowMixはマルチモーダルアーキテクチャの融合段階の前に統合され、テキストとテキストを混合するなどのモダル内混合を容易にし、レギュレータとして機能する。
論文 参考訳（メタデータ） (2023-12-19T17:01:58Z) - Adversarial AutoMixup [50.1874436169571]
本稿では,AdAutomixupを提案する。
画像分類のための堅牢な分類器を訓練するために、挑戦的なサンプルを生成する。
本手法は, 様々な分類シナリオにおいて, 技術状況に優れる。
論文 参考訳（メタデータ） (2023-12-19T08:55:00Z) - Co-Learning Meets Stitch-Up for Noisy Multi-label Visual Recognition [70.00984078351927]
本稿では,多ラベル分類と長期学習の特徴に基づく雑音の低減に焦点をあてる。
よりクリーンなサンプルを合成し,マルチラベルノイズを直接低減するStitch-Up拡張を提案する。
ヘテロジニアス・コラーニング・フレームワークは、長い尾の分布とバランスの取れた分布の不整合を活用するためにさらに設計されている。
論文 参考訳（メタデータ） (2023-07-03T09:20:28Z) - Selective Mixup Helps with Distribution Shifts, But Not (Only) because
of Mixup [26.105340203096596]
本研究では,ペアの非ランダム選択がトレーニング分布に影響を及ぼし,混合とは無関係な手段による一般化が向上することを示す。
選択混合法と再サンプリング法という2つの手法の間に新しい等価性を見出した。
論文 参考訳（メタデータ） (2023-05-26T10:56:22Z) - Infinite Class Mixup [26.48101652432502]
Mixupは、トレーニングペアのインプットとラベルを補間することで、追加のサンプルが拡張されるディープネットワークのトレーニング戦略である。
本論文は,各混合ペアのラベルを混合する代わりに,分類器を直接混合することにより,この問題に対処することを目的とする。
Infinite Class Mixupは標準のMixupやRegMixupやRemixなど、バランスの取れた、長い尾のついた、データに制約のあるベンチマークにおいて、パフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2023-05-17T15:27:35Z) - Multi-Label Quantification [78.83284164605473]
定量化とは、教師なしデータサンプルにおいて、興味あるクラスの相対周波数の予測子を生成する教師付き学習課題である。
本研究では,その相対頻度をより正確に予測するために,興味あるクラス間の依存関係を活用しようとするクラス有病率値の推定手法を提案する。
論文 参考訳（メタデータ） (2022-11-15T11:29:59Z) - Centrality and Consistency: Two-Stage Clean Samples Identification for
Learning with Instance-Dependent Noisy Labels [87.48541631675889]
本稿では,2段階のクリーンサンプル識別手法を提案する。
まず,クリーンサンプルの早期同定にクラスレベルの特徴クラスタリング手法を用いる。
次に, 基底真理クラス境界に近い残余のクリーンサンプルについて, 一貫性に基づく新しい分類法を提案する。
論文 参考訳（メタデータ） (2022-07-29T04:54:57Z) - Label-Occurrence-Balanced Mixup for Long-tailed Recognition [6.482544017574614]
本稿では,各クラスにおけるラベル発生率を統計的にバランスよく保ちながら,データ量を増やすためのラベル・オクレンス・バランサード・ミックスアップを提案する。
長い視力と音声認識のベンチマークで本手法を検証した。
論文 参考訳（メタデータ） (2021-10-11T02:22:02Z) - Learning Mixtures of Permutations: Groups of Pairwise Comparisons and
Combinatorial Method of Moments [8.691957530860675]
Mallows混合モデルについて検討した。
高次元設定では、$n$要素上の置換のMallows混合を学習する最適時間アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-14T23:11:46Z) - Remix: Rebalanced Mixup [25.733313524035232]
そこで本稿では,Mixupの定式化を緩和し,特徴とラベルの混合係数を解消する新たな正規化手法であるRemixを提案する。
我々は,Mixup,Manifold Mixup,CutMixといった最先端のレギュラー化技術について,クラス不均衡体制下で研究してきた。
iNaturalist 2018では、実世界の大規模不均衡データセット上でRemixを評価した。
論文 参考訳（メタデータ） (2020-07-08T08:01:15Z) - DivideMix: Learning with Noisy Labels as Semi-supervised Learning [111.03364864022261]
ノイズラベルを学習するためのフレームワークであるDivideMixを提案する。
複数のベンチマークデータセットの実験は、最先端の手法よりも大幅に改善されている。
論文 参考訳（メタデータ） (2020-02-18T06:20:06Z)
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。