論文の概要: libcll: an Extendable Python Toolkit for Complementary-Label Learning

• arxiv url: http://arxiv.org/abs/2411.12276v1
• Date: Tue, 19 Nov 2024 06:56:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:38:24.634201
• Title: libcll: an Extendable Python Toolkit for Complementary-Label Learning
• Title（参考訳）: libcll: 補完的なラベル学習のための拡張可能なPythonツールキット
• Authors: Nai-Xuan Ye, Tan-Ha Mai, Hsiu-Hsuan Wang, Wei-I Lin, Hsuan-Tien Lin,
• Abstract要約: 補完ラベル学習(Complementary-label Learning, CLL)は、多クラス分類のための弱い教師付き学習パラダイムである。 textttlibcllはCLL研究用のPythonツールキットである。 textttlibcllは、幅広い世代の仮定をサポートする普遍的なインターフェースを提供する。
• 参考スコア（独自算出の注目度）: 8.335164415521838
• License:
• Abstract: Complementary-label learning (CLL) is a weakly supervised learning paradigm for multiclass classification, where only complementary labels -- indicating classes an instance does not belong to -- are provided to the learning algorithm. Despite CLL's increasing popularity, previous studies highlight two main challenges: (1) inconsistent results arising from varied assumptions on complementary label generation, and (2) high barriers to entry due to the lack of a standardized evaluation platform across datasets and algorithms. To address these challenges, we introduce \texttt{libcll}, an extensible Python toolkit for CLL research. \texttt{libcll} provides a universal interface that supports a wide range of generation assumptions, both synthetic and real-world datasets, and key CLL algorithms. The toolkit is designed to mitigate inconsistencies and streamline the research process, with easy installation, comprehensive usage guides, and quickstart tutorials that facilitate efficient adoption and implementation of CLL techniques. Extensive ablation studies conducted with \texttt{libcll} demonstrate its utility in generating valuable insights to advance future CLL research.
• Abstract（参考訳）: 補完ラベル学習(英:complementary-label learning, CLL)は、学習アルゴリズムに提供される、多クラス分類のための弱い教師付き学習パラダイムである。 CLLの普及にもかかわらず、従来の研究では、(1)補完ラベル生成に関する様々な仮定から生じる一貫性のない結果、(2)データセットとアルゴリズムにまたがる標準化された評価プラットフォームが欠如していることによるエントリーに対する高い障壁、の2つの主要な課題が浮き彫りにされている。 これらの課題に対処するため,CLL 研究用の拡張可能な Python ツールキットである \texttt{libcll} を紹介した。 \texttt{libcll}は、合成および実世界のデータセットとキーCLLアルゴリズムの両方を含む、幅広い世代仮定をサポートする普遍的なインターフェースを提供する。 このツールキットは、簡単インストール、包括的な利用ガイド、CLLテクニックの効率的な採用と実装を容易にするクイックスタートチュートリアルによって、不整合を緩和し、研究プロセスを合理化するように設計されている。 texttt{libcll} を用いて行った大規模なアブレーション研究は、将来の CLL 研究を進める上で、その有用性を示すものである。

関連論文リスト

• Happy: A Debiased Learning Framework for Continual Generalized Category Discovery [54.54153155039062]
  本稿では,C-GCD(Continuous Generalized Category Discovery)の未探索課題について考察する。 C-GCDは、学習済みのクラスを認識する能力を維持しながら、ラベルのないデータから新しいクラスを漸進的に発見することを目的としている。 本稿では,ハードネスを意識したプロトタイプサンプリングとソフトエントロピー正規化を特徴とする,偏りのある学習フレームワークであるHappyを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T04:18:51Z)
• On Learning Latent Models with Multi-Instance Weak Supervision [57.18649648182171]
  本稿では,複数の入力インスタンスに関連付けられた遷移関数$sigma$ラベルによって,教師信号が生成される弱い教師付き学習シナリオについて考察する。 我々の問題は、潜在的な構造学習やニューロシンボリックな統合など、さまざまな分野で満たされている。
  論文  参考訳（メタデータ） (2023-06-23T22:05:08Z)
• Complementary Classifier Induced Partial Label Learning [54.61668156386079]
  部分ラベル学習(PLL)では、各トレーニングサンプルは候補ラベルのセットに関連付けられ、そのうち1つのみが有効である。 曖昧さでは、既存の研究は通常、非候補ラベルセットの有効性を十分に調査しない。 本稿では,非候補ラベルを用いて補完的分類器を誘導し,従来の分類器に対する逆関係を自然に形成する。
  論文  参考訳（メタデータ） (2023-05-17T02:13:23Z)
• Enhancing Label Sharing Efficiency in Complementary-Label Learning with Label Augmentation [92.4959898591397]
  学習中に近隣の事例における補完ラベルの暗黙的な共有を分析した。 相補的なラベル拡張による共有効率を向上させる新しい手法を提案する。 実験結果から,従来のCLLモデルよりも相補的ラベル拡張により経験的性能が向上することが確認された。
  論文  参考訳（メタデータ） (2023-05-15T04:43:14Z)
• CLImage: Human-Annotated Datasets for Complementary-Label Learning [8.335164415521838]
  我々は,人間のアノテーションから補完ラベルを収集するプロトコルを開発した。 これらのデータセットは、最初の現実世界のCLLデータセットを表している。 我々は,人間の注釈付き補完ラベルの偏りと,補完ラベルのみによる検証の難しさが,実用的CLLの障壁となることを発見した。
  論文  参考訳（メタデータ） (2023-05-15T01:48:53Z)
• SequeL: A Continual Learning Library in PyTorch and JAX [50.33956216274694]
  SequeLは継続学習のためのライブラリで、PyTorchとJAXフレームワークの両方をサポートする。 それは、正規化ベースのアプローチ、リプレイベースのアプローチ、ハイブリッドアプローチを含む、幅広い連続学習アルゴリズムのための統一インターフェースを提供する。 私たちはSequeLをオープンソースライブラリとしてリリースし、研究者や開発者が自身の目的で簡単にライブラリを実験し拡張することができます。
  論文  参考訳（メタデータ） (2023-04-21T10:00:22Z)
• 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)
• PiCO: Contrastive Label Disambiguation for Partial Label Learning [37.91710419258801]
  部分ラベル学習(Partial label learning, PLL)は、各トレーニング例を粗い候補セットでラベル付けできる重要な問題である。 本研究では,表現学習とラベル曖昧化における2つの重要な研究課題に対処することによって,このギャップを埋める。 提案するフレームワークは,対照的な学習モジュールと,新しいクラスプロトタイプベースのラベル曖昧化から構成される。
  論文  参考訳（メタデータ） (2022-01-22T07:48:41Z)
• Few-Shot Partial-Label Learning [25.609766770479265]
  部分ラベル学習(Partial-label Learning, PLL)は、一般的に、過度に注釈付けされたサンプルをトレーニングすることで、耐雑音性のあるマルチクラスを誘導することに焦点を当てている。 既存の数発の学習アルゴリズムはサポートセットの正確なラベルを仮定する。 本稿では,FsPLL (Few-shot Image Learning) というアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-02T07:03:54Z)
• Provably Consistent Partial-Label Learning [120.4734093544867]
  部分ラベル学習 (Partial-label Learning, PLL) は多クラス分類問題である。 本稿では,候補ラベル集合の第1世代モデルを提案し,一貫性が保証される2つの新しい手法を開発する。 ベンチマークおよび実世界のデータセットの実験は、提案した生成モデルの有効性と2つの方法の有効性を検証する。
  論文  参考訳（メタデータ） (2020-07-17T12:19:16Z)

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。