論文の概要: Mitigating Noisy Correspondence by Geometrical Structure Consistency Learning

• arxiv url: http://arxiv.org/abs/2405.16996v1
• Date: Mon, 27 May 2024 09:42:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 16:11:45.344082
• Title: Mitigating Noisy Correspondence by Geometrical Structure Consistency Learning
• Title（参考訳）: 幾何学的構造整合学習による雑音対応の緩和
• Authors: Zihua Zhao, Mengxi Chen, Tianjie Dai, Jiangchao Yao, Bo han, Ya Zhang, Yanfeng Wang,
• Abstract要約: ノイズ対応は、人間の注釈付きまたはWebクローリングデータセットで広く使われている。 本稿では,真の対応性を推定するための幾何学的構造整合性(GSC)手法を提案する。
• 参考スコア（独自算出の注目度）: 43.75697355156703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Noisy correspondence that refers to mismatches in cross-modal data pairs, is prevalent on human-annotated or web-crawled datasets. Prior approaches to leverage such data mainly consider the application of uni-modal noisy label learning without amending the impact on both cross-modal and intra-modal geometrical structures in multimodal learning. Actually, we find that both structures are effective to discriminate noisy correspondence through structural differences when being well-established. Inspired by this observation, we introduce a Geometrical Structure Consistency (GSC) method to infer the true correspondence. Specifically, GSC ensures the preservation of geometrical structures within and between modalities, allowing for the accurate discrimination of noisy samples based on structural differences. Utilizing these inferred true correspondence labels, GSC refines the learning of geometrical structures by filtering out the noisy samples. Experiments across four cross-modal datasets confirm that GSC effectively identifies noisy samples and significantly outperforms the current leading methods.
• Abstract（参考訳）: クロスモーダルなデータペアのミスマッチを指すノイズ対応は、人間のアノテーションまたはWebクローリングデータセットで広く使われている。 このようなデータを活用するための先行的なアプローチは、主にマルチモーダル学習におけるクロスモーダルおよびイントラモーダル幾何学的構造の影響を補正することなく、一様雑音ラベル学習の適用を考察する。 実際、両構造は、十分に確立されたときの構造的差異を通してノイズ対応を識別するのに有効であることがわかった。 この観測から着想を得た幾何学的構造整合性(GSC)法を導入し,実際の対応性を推定する。 特に、GSCは、モジュラリティの内および間における幾何学的構造の保存を保証し、構造的差異に基づいてノイズのあるサンプルの正確な識別を可能にする。 これらの推測された真の対応ラベルを利用して、GSCはノイズのあるサンプルをフィルタリングすることで幾何学構造の学習を洗練させる。 4つのクロスモーダルデータセットに対する実験により、GSCがノイズの多いサンプルを効果的に識別し、現在の先行手法よりも大幅に優れていることが確認された。

関連論文リスト

• GSSF: Generalized Structural Sparse Function for Deep Cross-modal Metric Learning [51.677086019209554]
  ペアワイド類似性学習のためのモダリティ間の強力な関係を捕捉する汎用構造スパースを提案する。 距離メートル法は、対角線とブロック対角線の2つの形式を微妙にカプセル化する。 クロスモーダルと2つの余分なユニモーダル検索タスクの実験は、その優位性と柔軟性を検証した。
  論文  参考訳（メタデータ） (2024-10-20T03:45:50Z)
• Disentangled Noisy Correspondence Learning [56.06801962154915]
  クロスモーダル検索は、モダリティ間の潜在対応を理解する上で重要である。 DisNCLはノイズ対応学習における特徴分散のための新しい情報理論フレームワークである。
  論文  参考訳（メタデータ） (2024-08-10T09:49:55Z)
• Order-based Structure Learning with Normalizing Flows [7.972479571606131]
  観測データの因果構造を推定することは、グラフサイズと超指数的にスケールする難しい探索問題である。 既存の手法では、連続緩和を用いてこの問題を計算的に取り扱えるようにしているが、しばしばデータ生成過程を加法雑音モデル(ANM)に制限する。 自己回帰正規化フローを用いてこれらの仮定を緩和するフレームワークである,正規化フローを用いた秩序に基づく構造学習(OSLow)を提案する。
  論文  参考訳（メタデータ） (2023-08-14T22:17:33Z)
• Spatio-Temporal Structure Consistency for Semi-supervised Medical Image Classification [8.656046905043876]
  本研究では,新しい時空間構造一貫性(STSC)学習フレームワークを提案する。 具体的には、空間構造整合性と時間構造整合性を組み合わせるために、グラム行列を導出する。 提案手法は最先端のSSL手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-03T04:18:09Z)
• Differentiable and Transportable Structure Learning [73.84540901950616]
  本稿では,新しいアーキテクチャと損失関数により,発見された構造物の輸送性を回復するD-Structを紹介する。 D-Structは依然として微分可能であるため、既存の微分可能アーキテクチャでは容易に適用できる。
  論文  参考訳（メタデータ） (2022-06-13T17:50:53Z)
• Discriminative Supervised Subspace Learning for Cross-modal Retrieval [16.035973055257642]
  クロスモーダル検索のための識別型教師付き部分空間学習法(DS2L)を提案する。 具体的には、まず、各モダリティ内の意味構造を保存するために、共有セマンティックグラフを構築する。 次に,Hilbert-Schmidt Independence Criterion (HSIC)を導入し,特徴相似性とサンプルの意味相似性との相似性を維持する。
  論文  参考訳（メタデータ） (2022-01-26T14:27:39Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
  適応的階層的類似度メトリック学習法を提案する。 ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。 提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-29T02:12:18Z)
• Semi-supervised Learning with the EM Algorithm: A Comparative Study between Unstructured and Structured Prediction [8.944068453789752]
  半教師付き学習はラベル付きサンプルとラベルなしサンプルの両方から予測モデルを学ぶことを目的としている。 EMに基づく半教師付き学習に関する既存の文献は、主に非構造化予測に焦点を当てている。 本稿では,EMに基づく半教師あり学習における非構造的手法と構造的手法を比較した。
  論文  参考訳（メタデータ） (2020-08-28T02:20:05Z)
• CLARITY -- Comparing heterogeneous data using dissimiLARITY [0.39146761527401414]
  多くの科学的疑問は、エンティティ間の(離散的な)相似性が、そのような異なるデータ間で保存されているかどうかについて述べられる。 提案手法であるCLARITYは,データセット間の一貫性を定量化し,不整合の発生箇所を特定し,その解釈を支援する。
  論文  参考訳（メタデータ） (2020-05-29T20:56:32Z)

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。