論文の概要: Probability-density-aware Semi-supervised Learning
- arxiv url: http://arxiv.org/abs/2412.17547v1
- Date: Mon, 23 Dec 2024 13:08:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 16:00:41.881197
- Title: Probability-density-aware Semi-supervised Learning
- Title(参考訳): 確率密度を考慮した半教師あり学習
- Authors: Shuyang Liu, Ruiqiu Zheng, Yunhang Shen, Ke Li, Xing Sun, Zhou Yu, Shaohui Lin,
- Abstract要約: 半教師付き学習は、隣の点が同じカテゴリ(近傍の仮定)にあると仮定し、異なるクラスタ内の点が様々なカテゴリ(クラスターの仮定)に属すると仮定する。
既存の手法は通常、クラスタの仮定を無視して、類似した隣接点を取得するための類似度尺度に依存する。
本稿ではまず,SSLにおける確率密度の役割を体系的に調査し,クラスタ仮定の確かな理論的基礎を定めている。
- 参考スコア(独自算出の注目度): 44.91442162204045
- License:
- Abstract: Semi-supervised learning (SSL) assumes that neighbor points lie in the same category (neighbor assumption), and points in different clusters belong to various categories (cluster assumption). Existing methods usually rely on similarity measures to retrieve the similar neighbor points, ignoring cluster assumption, which may not utilize unlabeled information sufficiently and effectively. This paper first provides a systematical investigation into the significant role of probability density in SSL and lays a solid theoretical foundation for cluster assumption. To this end, we introduce a Probability-Density-Aware Measure (PM) to discern the similarity between neighbor points. To further improve Label Propagation, we also design a Probability-Density-Aware Measure Label Propagation (PMLP) algorithm to fully consider the cluster assumption in label propagation. Last but not least, we prove that traditional pseudo-labeling could be viewed as a particular case of PMLP, which provides a comprehensive theoretical understanding of PMLP's superior performance. Extensive experiments demonstrate that PMLP achieves outstanding performance compared with other recent methods.
- Abstract(参考訳): 半教師付き学習(SSL)は、隣の点が同じカテゴリ(近傍の仮定)にあると仮定し、異なるクラスタ内の点が様々なカテゴリ(クラスターの仮定)に属すると仮定する。
既存の手法は通常、クラスタの仮定を無視して、類似した隣り合う点を抽出するための類似度尺度に頼っているが、これはラベルのない情報を十分に効果的に利用できない。
本稿ではまず、SSLにおける確率密度の重要な役割について体系的な研究を行い、クラスタ仮定の確かな理論的基礎を定めている。
この目的のために、隣接点間の類似性を識別する確率密度対応尺度(PM)を導入する。
さらにラベル伝搬を改善するために,ラベル伝搬におけるクラスタ仮定を十分に考慮するために,確率密度対応ラベル伝搬法(PMLP)アルゴリズムを設計する。
最後に,従来の擬似ラベルはPMLPの特定の症例とみなすことができ,PMLPの優れた性能に関する包括的な理論的理解を提供する。
PMLPは近年の手法と比較して優れた性能を発揮することが実証された。
関連論文リスト
- One-Step Multi-View Clustering Based on Transition Probability [61.841829428397034]
遷移確率に基づくワンステップマルチビュークラスタリング(OSMVC-TP)を導入する。
本手法は,アンカーポイントからカテゴリへの遷移確率を直接学習し,サンプルからカテゴリへの遷移確率を計算する。
異なる視点でラベルの整合性を維持するために、ソフトラベルからなるテンソルにシャッテン p-ノルムの制約を適用する。
論文 参考訳(メタデータ) (2024-03-03T09:43:23Z) - 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) - Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised
Person Re-Identification [80.98291772215154]
教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。
近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。
本稿では, Pseudo Label Refinement フレームワークを提案する。
論文 参考訳(メタデータ) (2022-11-30T09:39:57Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - Semi-supervised Predictive Clustering Trees for (Hierarchical) Multi-label Classification [2.706328351174805]
本稿では,予測クラスタリング木の半教師付き学習に基づく階層型マルチラベル分類手法を提案する。
また,この手法をアンサンブル学習に拡張し,ランダムな森林アプローチに基づく手法を提案する。
論文 参考訳(メタデータ) (2022-07-19T12:49:00Z) - Noise-Resistant Deep Metric Learning with Probabilistic Instance
Filtering [59.286567680389766]
ノイズラベルは現実世界のデータによく見られ、ディープニューラルネットワークの性能劣化を引き起こす。
DMLのための確率的ランク付けに基づくメモリを用いたインスタンス選択(PRISM)手法を提案する。
PRISMはラベルがクリーンである確率を計算し、潜在的にノイズの多いサンプルをフィルタリングする。
論文 参考訳(メタデータ) (2021-08-03T12:15:25Z) - Cautious Active Clustering [79.23797234241471]
ユークリッド空間上の未知の確率測度からサンプリングされた点の分類の問題を考える。
我々のアプローチは、未知の確率測度を、各クラスに対する条件付き確率の凸結合として考えることである。
論文 参考訳(メタデータ) (2020-08-03T23:47:31Z)
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。