論文の概要: An Unbiased Risk Estimator for Partial Label Learning with Augmented Classes

• arxiv url: http://arxiv.org/abs/2409.19600v1
• Date: Sun, 29 Sep 2024 07:36:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 22:07:54.168354
• Title: An Unbiased Risk Estimator for Partial Label Learning with Augmented Classes
• Title（参考訳）: 拡張クラスを用いた部分的ラベル学習のための非偏りリスク推定器
• Authors: Jiayu Hu, Senlin Shu, Beibei Li, Tao Xiang, Zhongshi He,
• Abstract要約: PLLACを理論的に保証した非バイアスリスク推定器を提案する。 PLLACの推定誤差の理論的解析を行う。 ベンチマーク、UCI、実世界のデータセットの実験では、提案手法の有効性が示されている。
• 参考スコア（独自算出の注目度）: 46.663081214928226
• License:
• Abstract: Partial Label Learning (PLL) is a typical weakly supervised learning task, which assumes each training instance is annotated with a set of candidate labels containing the ground-truth label. Recent PLL methods adopt identification-based disambiguation to alleviate the influence of false positive labels and achieve promising performance. However, they require all classes in the test set to have appeared in the training set, ignoring the fact that new classes will keep emerging in real applications. To address this issue, in this paper, we focus on the problem of Partial Label Learning with Augmented Class (PLLAC), where one or more augmented classes are not visible in the training stage but appear in the inference stage. Specifically, we propose an unbiased risk estimator with theoretical guarantees for PLLAC, which estimates the distribution of augmented classes by differentiating the distribution of known classes from unlabeled data and can be equipped with arbitrary PLL loss functions. Besides, we provide a theoretical analysis of the estimation error bound of the estimator, which guarantees the convergence of the empirical risk minimizer to the true risk minimizer as the number of training data tends to infinity. Furthermore, we add a risk-penalty regularization term in the optimization objective to alleviate the influence of the over-fitting issue caused by negative empirical risk. Extensive experiments on benchmark, UCI and real-world datasets demonstrate the effectiveness of the proposed approach.
• Abstract（参考訳）: 部分ラベル学習(Partial Label Learning, PLL)は、各トレーニングインスタンスが接頭辞を含む候補ラベルのセットでアノテートされていると仮定する、典型的な弱教師付き学習タスクである。 近年のPLL法では、偽陽性ラベルの影響を緩和し、有望な性能を達成するために識別に基づく曖昧さが採用されている。 しかし、それらはテストセットのすべてのクラスがトレーニングセットに現れることを要求し、新しいクラスが実際のアプリケーションで出現し続けるという事実を無視します。 本稿では,1つ以上の拡張クラスがトレーニング段階では見えず,推論段階で現れるPLLAC(Partial Label Learning with Augmented Class)の問題に焦点をあてる。 具体的には、既知のクラスをラベルなしデータと区別することにより、拡張クラスの分布を推定し、任意のPLL損失関数を組み込むことができるPLLACの理論的保証付き非バイアスリスク推定器を提案する。 さらに,実験的リスク最小化器の真のリスク最小化器への収束を保証するため,推定器の誤差境界の理論的解析を行う。 さらに、ネガティブな経験的リスクに起因する過度に適合する問題の影響を軽減するため、最適化目標にリスク対価正規化の項を付加する。 ベンチマーク、UCI、実世界のデータセットに関する大規模な実験は、提案手法の有効性を実証している。

関連論文リスト

• Can Class-Priors Help Single-Positive Multi-Label Learning? [40.312419865957224]
  シングル陽性マルチラベル学習(SPMLL)は、典型的には弱教師付きマルチラベル学習問題である。 クラスプライア推定器を導入し、理論上はクラスプライアに収束することが保証されているクラスプライアを推定することができる。 推定されたクラスプライヤに基づいて、分類のための非バイアスリスク推定器が導出され、対応するリスク最小化器が、完全に教師されたデータ上で、最適リスク最小化器にほぼ収束することを保証できる。
  論文  参考訳（メタデータ） (2023-09-25T05:45:57Z)
• Robust Representation Learning for Unreliable Partial Label Learning [86.909511808373]
  部分ラベル学習(Partial Label Learning, PLL)は、弱い教師付き学習の一種で、各トレーニングインスタンスに候補ラベルのセットが割り当てられる。 これはUn Reliable partial Label Learning (UPLL) と呼ばれ、部分ラベルの本質的な信頼性の欠如とあいまいさにより、さらなる複雑さをもたらす。 本研究では,信頼できない部分ラベルに対するモデル強化を支援するために,信頼性に欠けるコントラスト学習を活用するUnreliability-Robust Representation Learning framework(URRL)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T13:37:28Z)
• A Generalized Unbiased Risk Estimator for Learning with Augmented Classes [70.20752731393938]
  ラベルなしのデータが与えられた場合、非バイアスリスク推定器(URE)が導出され、理論的保証のあるLACでは最小限にすることができる。 理論的な保証を維持しつつ任意の損失関数を装備できる一般化されたUREを提案する。
  論文  参考訳（メタデータ） (2023-06-12T06:52:04Z)
• 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)
• Complementary Labels Learning with Augmented Classes [22.460256396941528]
  補完ラベル学習 (Complementary Labels Learning, CLL) は、プライベート質問分類やオンライン学習など、現実世界の多くのタスクに現れる。 CLLAC(Complementary Labels Learning with Augmented Classs)と呼ばれる新しい問題設定を提案する。 ラベルのないデータを用いて,CLLACの分類リスクの偏りのない推定手法を提案する。
  論文  参考訳（メタデータ） (2022-11-19T13:55:27Z)
• Learning from Positive and Unlabeled Data with Augmented Classes [17.97372291914351]
  Augmented Classes (PUAC) を用いたPU学習のための非バイアスリスク推定器を提案する。 提案手法は,最適解への収束を理論的に保証する推定誤差を導出する。
  論文  参考訳（メタデータ） (2022-07-27T03:40:50Z)
• Learning from Multiple Unlabeled Datasets with Partial Risk Regularization [80.54710259664698]
  本稿では,クラスラベルを使わずに正確な分類器を学習することを目的とする。 まず、与えられたラベルのない集合から推定できる分類リスクの偏りのない推定器を導出する。 その結果、経験的リスクがトレーニング中に負になるにつれて、分類器が過度に適合する傾向があることが判明した。 実験により,本手法は,複数の未ラベル集合から学習する最先端の手法を効果的に緩和し,性能を向上することを示した。
  論文  参考訳（メタデータ） (2022-07-04T16:22:44Z)
• Learning from Label Proportions by Learning with Label Noise [30.7933303912474]
  ラベル比例(LLP)からの学習は、データポイントをバッグに分類する弱い教師付き分類問題である。 ラベル雑音による学習の低減に基づくLLPに対する理論的基礎的なアプローチを提案する。 このアプローチは、複数のデータセットやアーキテクチャにわたるディープラーニングシナリオにおける経験的パフォーマンスの向上を実証する。
  論文  参考訳（メタデータ） (2022-03-04T18:52:21Z)
• Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
  部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。 既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。 本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の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） (2020-02-19T08:35:15Z)

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。