論文の概要: Incremental Label Distribution Learning with Scalable Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2411.13097v1
• Date: Wed, 20 Nov 2024 07:49:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:11:31.189264
• Title: Incremental Label Distribution Learning with Scalable Graph Convolutional Networks
• Title（参考訳）: スケーラブルグラフ畳み込みネットワークを用いたインクリメンタルラベル分布学習
• Authors: Ziqi Jia, Xiaoyang Qu, Chenghao Liu, Jianzong Wang,
• Abstract要約: 本稿では,ILDL(Incrmental Label Distribution Learning)を導入し,トレーニングサンプルとラベル間関係に関する重要な課題を分析した。 具体的には、新しいラベルの学習を高速化し、ラベル間の関係をグラフとして表現する、新しいラベル対応のグラディエント補償損失を開発する。
• 参考スコア（独自算出の注目度）: 41.02170058889797
• License:
• Abstract: Label Distribution Learning (LDL) is an effective approach for handling label ambiguity, as it can analyze all labels at once and indicate the extent to which each label describes a given sample. Most existing LDL methods consider the number of labels to be static. However, in various LDL-specific contexts (e.g., disease diagnosis), the label count grows over time (such as the discovery of new diseases), a factor that existing methods overlook. Learning samples with new labels directly means learning all labels at once, thus wasting more time on the old labels and even risking overfitting the old labels. At the same time, learning new labels by the LDL model means reconstructing the inter-label relationships. How to make use of constructed relationships is also a crucial challenge. To tackle these challenges, we introduce Incremental Label Distribution Learning (ILDL), analyze its key issues regarding training samples and inter-label relationships, and propose Scalable Graph Label Distribution Learning (SGLDL) as a practical framework for implementing ILDL. Specifically, in SGLDL, we develop a New-label-aware Gradient Compensation Loss to speed up the learning of new labels and represent inter-label relationships as a graph to reduce the time required to reconstruct inter-label relationships. Experimental results on the classical LDL dataset show the clear advantages of unique algorithms and illustrate the importance of a dedicated design for the ILDL problem.
• Abstract（参考訳）: ラベル分布学習(LDL)は、ラベルのあいまいさを扱うための効果的な手法であり、全てのラベルを一度に分析し、各ラベルが与えられたサンプルを記述する範囲を示すことができる。 既存のLCLメソッドの多くは、ラベルの数が静的であると考えている。 しかし、様々なLDL固有の文脈(例えば疾患診断)において、ラベル数は時間とともに増加し(新しい疾患の発見など)、既存の方法が見落としている要因である。 新しいラベルでサンプルを学習することは、すべてのラベルを一度に学習することを意味します。 同時に、LDLモデルによる新たなラベルの学習は、ラベル間の関係を再構築することを意味する。 構築された関係を利用する方法もまた重要な課題である。 これらの課題に対処するために、インクリメンタルラベル配信学習(ILDL)を導入し、トレーニングサンプルとラベル間関係に関する重要な問題を分析し、ILDLを実装するための実践的なフレームワークとして、スケーラブルグラフラベル配信学習(SGLDL)を提案する。 具体的には、SGLDLにおいて、新しいラベルの学習を高速化し、ラベル間の関係をグラフとして表し、ラベル間の関係を再構築するのに要する時間を短縮する、新しいラベル対応のグラディエント補償損失を開発する。 古典的なLCLデータセットの実験結果は,ユニークなアルゴリズムの明確な利点を示し,ILDL問題に対する専用設計の重要性を示している。

関連論文リスト

• Towards Better Performance in Incomplete LDL: Addressing Data Imbalance [48.54894491724677]
  我々は,不完全なラベルと不均衡なラベル分布を同時に扱うフレームワークであるtextIncomplete and Im Balance Label Distribution Learning (I(2)LDL)を提案する。 本手法は, ラベル分布行列を, 頻繁なラベルのための低ランク成分と希少なラベルのためのスパース成分に分解し, 頭部と尾部のラベルの構造を効果的に把握する。
  論文  参考訳（メタデータ） (2024-10-17T14:12:57Z)
• Inaccurate Label Distribution Learning with Dependency Noise [52.08553913094809]
  本稿では,依存雑音に基づく不正確なラベル分布学習(DN-ILDL)フレームワークを導入し,ラベル分布学習におけるノイズによる課題に対処する。 本稿では,DN-ILDLがILDL問題に効果的に対処し,既存のLCL法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-26T07:58:07Z)
• Exploiting Multi-Label Correlation in Label Distribution Learning [0.0]
  ラベル分散学習(LDL)は、各インスタンスにラベル分布を割り当てる新しい機械学習パラダイムである。 最近の研究では、ラベル分布行列は一般的にフルランクであり、ローランクのラベル相関を利用した研究に挑戦していることが明らかになっている。 LDL に補助的な MLL プロセスを導入し,低ランクのラベル相関を LDL ではなく MLL で取得する。
  論文  参考訳（メタデータ） (2023-08-03T13:06:45Z)
• Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
  imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。 我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
  論文  参考訳（メタデータ） (2023-05-22T04:50:28Z)
• Contrastive Label Enhancement [13.628665406039609]
  コントラスト学習戦略により高次特徴を生成するコントラストラベル拡張(Contrastive Label Enhancement, ConLE)を提案する。 得られた高レベルな特徴を活用し、よく設計されたトレーニング戦略によりラベル分布を得る。
  論文  参考訳（メタデータ） (2023-05-16T14:53:07Z)
• Label Distribution Learning from Logical Label [19.632157794117553]
  ラベル分布学習(LDL)は、サンプルのラベル記述度(ラベル分布)を予測する効果的な方法である。 しかし、トレーニングサンプルのラベル分布のアノテートは非常にコストがかかる。 論理ラベルから直接LDLモデルを学習する新しい手法を提案し,LEとLDLを結合モデルに統一する。
  論文  参考訳（メタデータ） (2023-03-13T04:31:35Z)
• One Positive Label is Sufficient: Single-Positive Multi-Label Learning with Label Enhancement [71.9401831465908]
  本研究では,SPMLL (Single- positive multi-label learning) について検討した。 ラベルエンハンスメントを用いた単陽性MultIラベル学習という新しい手法を提案する。 ベンチマークデータセットの実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2022-06-01T14:26:30Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)
• Generalized Label Enhancement with Sample Correlations [24.582764493585362]
  サンプル相関付きラベル拡張(LESC)と、サンプル相関付きラベル拡張(gLESC)の2つの新しいラベル拡張手法を提案する。 サンプル相関から,提案手法はラベル強化性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-07T03:32:36Z)

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。