論文の概要: Mitigating Label Noise using Prompt-Based Hyperbolic Meta-Learning in Open-Set Domain Generalization

• arxiv url: http://arxiv.org/abs/2412.18342v1
• Date: Tue, 24 Dec 2024 11:00:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:55:49.408229
• Title: Mitigating Label Noise using Prompt-Based Hyperbolic Meta-Learning in Open-Set Domain Generalization
• Title（参考訳）: オープンセット領域一般化におけるPrompt-based Hyperbolic Meta-Learningを用いたラベルノイズの緩和
• Authors: Kunyu Peng, Di Wen, Sarfraz M. Saquib, Yufan Chen, Junwei Zheng, David Schneider, Kailun Yang, Jiamin Wu, Alina Roitberg, Rainer Stiefelhagen,
• Abstract要約: オープンセットドメインの一般化は、よく知られたカテゴリを正確に予測するモデルを必要とする難しいタスクである。 ラベルノイズはモデル最適化を誤解させ、新しい領域におけるオープンセット認識の課題を悪化させる。 ラベル付き雑音認識メタラーニングのための双曲型カテゴリのプロトタイプを統合するフレームワークであるHyProMetaを提案する。
• 参考スコア（独自算出の注目度）: 40.7795100916718
• License:
• Abstract: Open-Set Domain Generalization (OSDG) is a challenging task requiring models to accurately predict familiar categories while minimizing confidence for unknown categories to effectively reject them in unseen domains. While the OSDG field has seen considerable advancements, the impact of label noise--a common issue in real-world datasets--has been largely overlooked. Label noise can mislead model optimization, thereby exacerbating the challenges of open-set recognition in novel domains. In this study, we take the first step towards addressing Open-Set Domain Generalization under Noisy Labels (OSDG-NL) by constructing dedicated benchmarks derived from widely used OSDG datasets, including PACS and DigitsDG. We evaluate baseline approaches by integrating techniques from both label denoising and OSDG methodologies, highlighting the limitations of existing strategies in handling label noise effectively. To address these limitations, we propose HyProMeta, a novel framework that integrates hyperbolic category prototypes for label noise-aware meta-learning alongside a learnable new-category agnostic prompt designed to enhance generalization to unseen classes. Our extensive experiments demonstrate the superior performance of HyProMeta compared to state-of-the-art methods across the newly established benchmarks. The source code of this work is released at https://github.com/KPeng9510/HyProMeta.
• Abstract（参考訳）: Open-Set Domain Generalization (OSDG)は、未知のカテゴリに対する信頼を最小化し、未知のドメインでそれらを効果的に拒否するモデルを必要とする課題である。 OSDG分野はかなり進歩してきたが、ラベルノイズ(実世界のデータセットに共通する問題)の影響は概ね見過ごされている。 ラベルノイズはモデル最適化を誤解させ、新しい領域におけるオープンセット認識の課題を悪化させる。 本研究では, PACS や DigitsDG など,広く使用されている OSDG データセットから派生した専用ベンチマークを構築することで, 雑音ラベル (OSDG-NL) 下でのオープンセット領域一般化の実現に向けた第一歩を踏み出した。 我々は,ラベルのデノベーション手法とOSDG手法を統合し,ラベルノイズを効果的に処理する既存の戦略の限界を強調し,ベースライン手法の評価を行った。 このような制約に対処するために,HyProMetaを提案する。HyProMetaは,学習可能な新カテゴリ非依存プロンプトとラベルノイズ認識メタラーニングのための,双曲型カテゴリのプロトタイプを統合した新しいフレームワークである。 我々は,HyProMetaの性能を,新たに確立されたベンチマークにおける最先端手法と比較した。 この作業のソースコードはhttps://github.com/KPeng9510/HyProMeta.comで公開されている。

関連論文リスト

• DynAlign: Unsupervised Dynamic Taxonomy Alignment for Cross-Domain Segmentation [15.303659468173334]
  我々は、イメージレベルとラベルレベルのドメインギャップを橋渡しするために、UDAと基礎モデルを統合するフレームワークであるDynAlignを紹介します。 我々のアプローチは、事前のセマンティック知識を活用して、新しい、よりきめ細かな、あるいは異なる名前で呼ばれる可能性のある、ソースカテゴリとターゲットカテゴリを整合させる。 DynAlignは、手動のアノテーションを必要とせずに、新しいターゲットラベル空間で正確な予測を生成する。
  論文  参考訳（メタデータ） (2025-01-27T18:57:19Z)
• CAT: Class Aware Adaptive Thresholding for Semi-Supervised Domain Generalization [0.989976359821412]
  ドメインの一般化は、ドメインのシフトがあっても、ソースドメインから目に見えないターゲットドメインに知識を移そうとします。 本稿では,限定ラベル付きデータを用いた半教師付き学習を利用して,ドメインシフト下での競合一般化性能を実現する手法CATを提案する。 提案手法では、フレキシブルしきい値を用いて、高いクラス多様性を持つ高品質な擬似ラベルを生成しながら、ノイズの多い擬似ラベルを精製し、信頼性を向上させる。
  論文  参考訳（メタデータ） (2024-12-11T15:47:01Z)
• Robustness to Subpopulation Shift with Domain Label Noise via Regularized Annotation of Domains [27.524318404316013]
  明示的なドメインアノテーションを必要とせずに、ロバストな最終層分類器をトレーニングするために、ドメインの規則化された依存(RAD)を導入します。 RADは、いくつかの公開データセットのトレーニングデータにおいて、5%のノイズしか持たない最先端のアノテーション-リライアントメソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-02-16T19:35:42Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• DOST -- Domain Obedient Self-supervised Training for Multi Label Classification with Noisy Labels [27.696103256353254]
  本稿では,マルチラベル分類タスクにおけるドメインルール違反事象に対するラベルノイズの影響について検討する。 本稿では、ディープラーニングモデルとドメインルールとの整合性を高めるためのDomain Obedient Self-supervised Training(DOST)パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-08-09T17:53:36Z)
• Feature Noise Boosts DNN Generalization under Label Noise [65.36889005555669]
  トレーニングデータにおけるラベルノイズの存在は、ディープニューラルネットワーク(DNN)の一般化に大きな影響を与える 本研究では,学習データの特徴に直接ノイズを付加する単純な特徴雑音法を,理論的に導入し,理論的に実証する。
  論文  参考訳（メタデータ） (2023-08-03T08:31:31Z)
• Semi-Supervised Domain Generalization with Stochastic StyleMatch [90.98288822165482]
  実世界のアプリケーションでは、アノテーションのコストが高いため、各ソースドメインから利用可能なラベルはわずかです。 本研究では,より現実的で実践的な半教師付き領域一般化について検討する。 提案手法であるStyleMatchは,擬似ラベルに基づく最先端の半教師付き学習手法であるFixMatchに着想を得たものである。
  論文  参考訳（メタデータ） (2021-06-01T16:00:08Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)
• Tackling Instance-Dependent Label Noise via a Universal Probabilistic Model [80.91927573604438]
  本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。 合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
  論文  参考訳（メタデータ） (2021-01-14T05:43:51Z)

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。