論文の概要: GBRIP: Granular Ball Representation for Imbalanced Partial Label Learning

• arxiv url: http://arxiv.org/abs/2412.14561v1
• Date: Thu, 19 Dec 2024 06:26:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:32:50.661447
• Title: GBRIP: Granular Ball Representation for Imbalanced Partial Label Learning
• Title（参考訳）: GBRIP:不均衡部分ラベル学習のためのグラニュラーボール表現
• Authors: Jintao Huang, Yiu-ming Cheung, Chi-man Vong, Wenbin Qian,
• Abstract要約: 不均衡学習のための新しいフレームワークGBRIP(Granular Ball Representation for Im Balanced)を導入する。 GBRIPは粗粒粒状球表現と多中心損失を利用して、教師なし学習を通して粒状球ベースのnfeature空間を構築する。 新たな多中心損失関数は, 粒状球内のサンプルと各中心の関係を強調することによって学習を促進する。
• 参考スコア（独自算出の注目度）: 34.555684625956516
• License:
• Abstract: Partial label learning (PLL) is a complicated weakly supervised multi-classification task compounded by class imbalance. Currently, existing methods only rely on inter-class pseudo-labeling from inter-class features, often overlooking the significant impact of the intra-class imbalanced features combined with the inter-class. To address these limitations, we introduce Granular Ball Representation for Imbalanced PLL (GBRIP), a novel framework for imbalanced PLL. GBRIP utilizes coarse-grained granular ball representation and multi-center loss to construct a granular ball-based nfeature space through unsupervised learning, effectively capturing the feature distribution within each class. GBRIP mitigates the impact of confusing features by systematically refining label disambiguation and estimating imbalance distributions. The novel multi-center loss function enhances learning by emphasizing the relationships between samples and their respective centers within the granular balls. Extensive experiments on standard benchmarks demonstrate that GBRIP outperforms existing state-of-the-art methods, offering a robust solution to the challenges of imbalanced PLL.
• Abstract（参考訳）: 部分ラベル学習(Partial label learning, PLL)は、クラス不均衡によって複雑に制御される多クラス化タスクである。 現在、既存のメソッドはクラス間機能からのクラス間擬似ラベルのみに依存しており、クラス間機能とクラス間機能の組み合わせによる大きな影響を見落としていることが多い。 これらの制約に対処するため,不均衡なPLLのための新しいフレームワークであるGBRIP(Granular Ball Representation for Im Balanced PLL)を導入する。 GBRIPは粗粒状球表現と多中心損失を利用して、教師なし学習により粒状球状球状空間を構築し、各クラス内の特徴分布を効果的に把握する。 GBRIPは、ラベルの曖昧さを体系的に洗練し、不均衡分布を推定することによって、紛らわしい特徴の影響を緩和する。 新たな多中心損失関数は, 粒状球内のサンプルと各中心の関係を強調することによって学習を促進する。 標準ベンチマークでの大規模な実験により、GBRIPは既存の最先端の手法よりも優れており、不均衡なPLLの課題に対する堅牢な解決策を提供する。

関連論文リスト

• Covariance-corrected Whitening Alleviates Network Degeneration on Imbalanced Classification [6.197116272789107]
  クラス不均衡は画像分類において重要な問題であり、深層認識モデルの性能に大きな影響を及ぼす。 我々は、退化ソリューションを緩和するWhitening-Netと呼ばれる新しいフレームワークを提案する。 極端なクラス不均衡のシナリオでは、バッチ共分散統計は大きな変動を示し、白化操作の収束を妨げる。
  論文  参考訳（メタデータ） (2024-08-30T10:49:33Z)
• On Characterizing and Mitigating Imbalances in Multi-Instance Partial Label Learning [57.18649648182171]
  我々は、MI-PLLの文脈において、これまで研究されていない問題に対処するためのコントリビューションを行っている。 最小限の仮定をしながら、クラス固有のMI-PLLのリスク境界を導出する。 我々の理論は、$sigma$が学習の不均衡に大きな影響を及ぼすというユニークな現象を明らかにしている。
  論文  参考訳（メタデータ） (2024-07-13T20:56:34Z)
• Learning in Imperfect Environment: Multi-Label Classification with Long-Tailed Distribution and Partial Labels [53.68653940062605]
  新しいタスク, 部分ラベリングとLong-Tailed Multi-Label Classification (PLT-MLC) を導入する。 その結果,ほとんどのLT-MLCとPL-MLCは劣化MLCの解決に失敗していることがわかった。 textbfCOrrection $rightarrow$ textbfModificattextbfIon $rightarrow$ balantextbfCe。
  論文  参考訳（メタデータ） (2023-04-20T20:05:08Z)
• Long-Tailed Partial Label Learning via Dynamic Rebalancing [30.16563291182992]
  実世界のデータは通常、ラベルの曖昧さと重い不均衡を兼ね備えている。 LTメソッドは、利用できないクラス分布の上に構築され、長い尾のコンテキストにおいて性能に大きく影響される。 本稿では,クラス分布に関する事前知識を仮定することなく,ReCORDSと呼ばれる動的再バランス手法を提案する。
  論文  参考訳（メタデータ） (2023-02-10T06:43:53Z)
• Class-Imbalanced Complementary-Label Learning via Weighted Loss [8.934943507699131]
  補完ラベル学習(Complementary-label Learning, CLL)は、弱い教師付き分類において広く用いられている。 クラス不均衡のトレーニングサンプルに直面すると、現実世界のデータセットでは大きな課題に直面します。 多クラス分類のためのクラス不均衡補完ラベルからの学習を可能にする新しい問題設定を提案する。
  論文  参考訳（メタデータ） (2022-09-28T16:02:42Z)
• Meta-Causal Feature Learning for Out-of-Distribution Generalization [71.38239243414091]
  本稿では,協調タスク生成モジュール (BTG) とメタ因果特徴学習モジュール (MCFL) を含む,バランス付きメタ因果学習器 (BMCL) を提案する。 BMCLは、分類のためのクラス不変の視覚領域を効果的に識別し、最先端の手法の性能を向上させるための一般的なフレームワークとして機能する。
  論文  参考訳（メタデータ） (2022-08-22T09:07:02Z)
• Uncertainty-aware Pseudo-label Selection for Positive-Unlabeled Learning [10.014356492742074]
  本稿では,正の未ラベル学習環境における不均衡データセットとモデル校正の問題に取り組むことを提案する。 マイノリティクラスからのシグナルを増強することにより、擬似ラベル付けはラベル付きデータセットをラベル付きデータセットから新しいサンプルで拡張する。 PUUPLは一連の実験において、高度に不均衡な設定で大幅な性能向上をもたらす。
  論文  参考訳（メタデータ） (2022-01-31T12:55:47Z)
• Distribution Aligning Refinery of Pseudo-label for Imbalanced Semi-supervised Learning [126.31716228319902]
  Pseudo-label (DARP) アルゴリズムの分散アライメント・リファナリーを開発する。 DARPは最先端のSSLスキームと有効かつ効率的に互換性があることを示す。
  論文  参考訳（メタデータ） (2020-07-17T09:16:05Z)
• Progressive Cluster Purification for Unsupervised Feature Learning [48.87365358296371]
  教師なしの特徴学習では、サンプル特異性に基づく手法はクラス間の情報を無視する。 本稿では,プログレッシブクラスタ形成時にクラス不整合サンプルを除外するクラスタリングに基づく新しい手法を提案する。 我々の手法は、プログレッシブ・クラスタ・パーフィケーション(PCP)と呼ばれ、訓練中に徐々にクラスタ数を減らし、プログレッシブ・クラスタリングを実装している。
  論文  参考訳（メタデータ） (2020-07-06T08:11:03Z)

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。