論文の概要: Dynamic Correlation Learning and Regularization for Multi-Label Confidence Calibration

• arxiv url: http://arxiv.org/abs/2407.06844v1
• Date: Tue, 9 Jul 2024 13:26:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-10 17:57:30.817960
• Title: Dynamic Correlation Learning and Regularization for Multi-Label Confidence Calibration
• Title（参考訳）: マルチラベル信頼度校正のための動的相関学習と正規化
• Authors: Tianshui Chen, Weihang Wang, Tao Pu, Jinghui Qin, Zhijing Yang, Jie Liu, Liang Lin,
• Abstract要約: 本稿では,多ラベルシナリオにおける信頼度を適切に評価することを目的としたマルチラベル信頼性タスクを提案する。 既存のシングルラベルキャリブレーション手法では、セマンティックな混乱に対処するために欠かせないカテゴリ相関を考慮できない。 本稿では,多粒度セマンティック相関を利用した動的相関学習と正規化アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 60.95748658638956
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern visual recognition models often display overconfidence due to their reliance on complex deep neural networks and one-hot target supervision, resulting in unreliable confidence scores that necessitate calibration. While current confidence calibration techniques primarily address single-label scenarios, there is a lack of focus on more practical and generalizable multi-label contexts. This paper introduces the Multi-Label Confidence Calibration (MLCC) task, aiming to provide well-calibrated confidence scores in multi-label scenarios. Unlike single-label images, multi-label images contain multiple objects, leading to semantic confusion and further unreliability in confidence scores. Existing single-label calibration methods, based on label smoothing, fail to account for category correlations, which are crucial for addressing semantic confusion, thereby yielding sub-optimal performance. To overcome these limitations, we propose the Dynamic Correlation Learning and Regularization (DCLR) algorithm, which leverages multi-grained semantic correlations to better model semantic confusion for adaptive regularization. DCLR learns dynamic instance-level and prototype-level similarities specific to each category, using these to measure semantic correlations across different categories. With this understanding, we construct adaptive label vectors that assign higher values to categories with strong correlations, thereby facilitating more effective regularization. We establish an evaluation benchmark, re-implementing several advanced confidence calibration algorithms and applying them to leading multi-label recognition (MLR) models for fair comparison. Through extensive experiments, we demonstrate the superior performance of DCLR over existing methods in providing reliable confidence scores in multi-label scenarios.
• Abstract（参考訳）: 現代の視覚認識モデルは、複雑なディープニューラルネットワークと1ホットターゲットの監視に依存しているため、しばしば過信感を示し、その結果、キャリブレーションを必要とする信頼性の欠如が生じる。 現在の信頼性校正技術は、主にシングルラベルのシナリオに対処するが、より実用的で一般化可能なマルチラベルのコンテキストに焦点が当てられていない。 本稿では,マルチラベルシナリオにおける信頼度スコアの適正化を目的とした,MLCCタスクを提案する。 シングルラベル画像とは異なり、複数ラベル画像には複数のオブジェクトが含まれており、セマンティックな混乱と信頼性スコアの信頼性の低下につながる。 ラベルの平滑化に基づく既存のシングルラベルキャリブレーション手法は、意味的混乱に対処するために不可欠なカテゴリ相関を考慮できないため、サブ最適性能が得られる。 これらの制限を克服するために,多粒度意味的相関を利用して適応正規化のためのモデル意味的混乱を改善する動的相関学習と正規化(DCLR)アルゴリズムを提案する。 DCLRは、各カテゴリ固有の動的インスタンスレベルとプロトタイプレベルの類似性を学び、これらを使用して、異なるカテゴリ間での意味的相関を測定する。 この理解により、高い値を強い相関関係を持つカテゴリに割り当てる適応ラベルベクトルを構築し、より効果的な正規化を容易にする。 評価ベンチマークを構築し、いくつかの高度な信頼度校正アルゴリズムを再実装し、それらを先行するマルチラベル認識(MLR)モデルに適用し、公正な比較を行う。 広範にわたる実験を通じて,マルチラベルシナリオにおける信頼性スコアの提供において,既存の手法よりも優れたDCLR性能を示す。

関連論文リスト

• Confidence Self-Calibration for Multi-Label Class-Incremental Learning [21.104984143597882]
  MLCIL(Multi-Label Class-Incremental Learning)におけるラベルの課題は、トレーニング中に新しいクラスのみをラベル付けする場合に発生する。 この問題は、誤って高い信頼度を持つマルチラベル予測による偽陽性エラーの増大につながる。 MLCILのマルチラベル信頼度校正を改良するための信頼性自己校正(CSC)手法を提案する。
  論文  参考訳（メタデータ） (2024-03-19T09:14:52Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• Perception and Semantic Aware Regularization for Sequential Confidence Calibration [12.265757315192497]
  本稿では,パーセプションとセマンティックなシーケンス正規化フレームワークを提案する。 意味的文脈に依存しない認識と言語モデルを導入し、高い知覚的類似性と意味的相関性を持つ類似のシーケンスを取得する。 シーンテキストや音声認識など,標準シーケンス認識タスクの実験により,本手法が新たな最先端の結果を設定できることが実証された。
  論文  参考訳（メタデータ） (2023-05-31T02:16:29Z)
• A Confidence-based Partial Label Learning Model for Crowd-Annotated Named Entity Recognition [74.79785063365289]
  名前付きエンティティ認識(NER)のための既存のモデルは、主に大規模ラベル付きデータセットに基づいている。 我々は,クラウドアノテートNERに対する先行信頼度(アノテータによる提案)と後続信頼度(モデルによる学習)を統合するために,信頼に基づく部分ラベル学習(CPLL)手法を提案する。
  論文  参考訳（メタデータ） (2023-05-21T15:31:23Z)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Evolving Multi-Label Fuzzy Classifier [5.53329677986653]
  マルチラベル分類は、同時に複数のクラスに1つのサンプルを割り当てるという問題に対処するために、機械学習コミュニティで多くの注目を集めている。 本稿では,新たなマルチラベルサンプルをインクリメンタルかつシングルパスで自己適応・自己展開可能な多ラベルファジィ分類器(EFC-ML)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:01:03Z)
• Label fusion and training methods for reliable representation of inter-rater uncertainty [0.0]
  複数のレーダからのアノテーションによるディープラーニングネットワークのトレーニングは、モデルの偏見を1人の専門家に緩和する。 異なる専門家のラベルを考慮する様々な方法が存在する。 STAPLE, レートラのセグメンテーションの平均値, トレーニング中に各レートラのセグメンテーションをランダムにサンプリングする3つのラベル融合法を比較した。
  論文  参考訳（メタデータ） (2022-02-15T16:35:47Z)
• Evolving Multi-label Classification Rules by Exploiting High-order Label Correlation [2.9822184411723645]
  マルチラベル分類タスクでは、各問題インスタンスは同時に複数のクラスに関連付けられている。 ラベル間の相関は、ペアワイズ相関の取得や高次相関の活用など、様々なレベルで利用することができる。 本稿では,教師付き学習分類器システムを用いて,ラベルのサブセット内での高次ラベル相関を利用することを目的とする。
  論文  参考訳（メタデータ） (2020-07-22T18:13:12Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)

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。