論文の概要: UNSURE: self-supervised learning with Unknown Noise level and Stein's Unbiased Risk Estimate

• arxiv url: http://arxiv.org/abs/2409.01985v3
• Date: Wed, 22 Jan 2025 21:52:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:56:39.915631
• Title: UNSURE: self-supervised learning with Unknown Noise level and Stein's Unbiased Risk Estimate
• Title（参考訳）: UNSURE:未知騒音レベルの自己教師型学習とスタインの非バイアスリスク推定
• Authors: Julián Tachella, Mike Davies, Laurent Jacques,
• Abstract要約: ノイズの多いデータのみから学習できる自己教師付き画像再構成法が提案されている。 我々は、SUREに基づく新しいアプローチを提案するが、標準のSUREとは異なり、ノイズレベルに関する知識は必要ない。 提案手法は,様々な画像逆問題において,既存の自己監督手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 12.289101615816595
• License:
• Abstract: Recently, many self-supervised learning methods for image reconstruction have been proposed that can learn from noisy data alone, bypassing the need for ground-truth references. Most existing methods cluster around two classes: i) Stein's Unbiased Risk Estimate (SURE) and similar approaches that assume full knowledge of the distribution, and ii) Noise2Self and similar cross-validation methods that require very mild knowledge about the noise distribution. The first class of methods tends to be impractical, as the noise level is often unknown in real-world applications, and the second class is often suboptimal compared to supervised learning. In this paper, we provide a theoretical framework that characterizes this expressivity-robustness trade-off and propose a new approach based on SURE, but unlike the standard SURE, does not require knowledge about the noise level. Throughout a series of experiments, we show that the proposed estimator outperforms other existing self-supervised methods on various imaging inverse problems.
• Abstract（参考訳）: 近年,ノイズの多いデータのみから学習できる画像再構成のための自己教師型学習法が数多く提案されている。 既存のメソッドのほとんどは、2つのクラスの周りにクラスタリングします。 一 分布の完全な知識を前提としたスタインの無バイアスリスク見積(SURE)等 二 騒音分布に関する非常に軽度な知識を必要とする騒音2Self及び類似のクロスバリデーション方法 第1の手法は現実の応用ではノイズレベルがよく知られておらず、第2の手法は教師付き学習と比較して最適でないことが多いため、実用的でない傾向にある。 本稿では,この表現性-腐食性トレードオフを特徴付ける理論的枠組みを提案し,SUREに基づく新しいアプローチを提案するが,標準のSUREとは異なり,ノイズレベルに関する知識は不要である。 一連の実験を通して,提案した推定器は,様々な画像逆問題において,既存の自己監督手法よりも優れていることを示す。

関連論文リスト

• Trusted Multi-view Learning with Label Noise [17.458306450909316]
  マルチビュー学習手法は、意思決定の不確実性を無視しながら、意思決定精度の向上に焦点を当てることが多い。 本稿では,この問題を解決するため,信頼度の高いマルチビューノイズ修正手法を提案する。 我々は,TMNRと最先端のマルチビュー学習,および5つの公開データセットに基づくラベルノイズ学習ベースラインを実証的に比較した。
  論文  参考訳（メタデータ） (2024-04-18T06:47:30Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• Deep Active Learning with Noise Stability [24.54974925491753]
  ラベルのないデータの不確実性推定は、アクティブな学習に不可欠である。 本稿では,雑音の安定性を利用して不確実性を推定する新しいアルゴリズムを提案する。 本手法はコンピュータビジョン,自然言語処理,構造データ解析など,様々なタスクに適用可能である。
  論文  参考訳（メタデータ） (2022-05-26T13:21:01Z)
• The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
  この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。 特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
  論文  参考訳（メタデータ） (2022-03-02T13:59:20Z)
• Learning Noise Transition Matrix from Only Noisy Labels via Total Variation Regularization [88.91872713134342]
  本稿では,雑音遷移行列を推定し,同時に分類器を学習する理論的基礎付け手法を提案する。 提案手法の有効性を,ベンチマークおよび実世界のデータセットを用いた実験により示す。
  論文  参考訳（メタデータ） (2021-02-04T05:09:18Z)
• Robust Imitation Learning from Noisy Demonstrations [81.67837507534001]
  我々は,対称的損失を伴う分類リスクを最適化することにより,ロバストな模倣学習を実現することができることを示す。 擬似ラベルと協調学習を効果的に組み合わせた新しい模倣学習法を提案する。 連続制御ベンチマークによる実験結果から,本手法は最先端手法よりも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-10-20T10:41:37Z)
• Ground Truth Free Denoising by Optimal Transport [2.5137859989323537]
  任意の種類のデータに対して学習した教師なしの復調法を提案する。 トレーニングはノイズデータのサンプルとノイズの例に基づいて行われる。 この方法は Wasserstein Generative Adversarial Network の設定に依存している。
  論文  参考訳（メタデータ） (2020-07-03T09:39:25Z)
• Confidence Scores Make Instance-dependent Label-noise Learning Possible [129.84497190791103]
  ノイズのあるラベルで学習する際、そのラベルはノイズモデルと呼ばれる遷移分布に従ってランダムに他のクラスに移動することができる。 我々は、各インスタンスラベル対に信頼スコアを付与する、信頼スコア付きインスタンス依存ノイズ(CSIDN)を導入する。 信頼性スコアの助けを借りて、各インスタンスの遷移分布を推定できる。
  論文  参考訳（メタデータ） (2020-01-11T16:15:41Z)

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。