論文の概要: Multi-Instance Partial-Label Learning with Margin Adjustment

• arxiv url: http://arxiv.org/abs/2501.12597v1
• Date: Wed, 22 Jan 2025 02:47:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 13:29:05.452680
• Title: Multi-Instance Partial-Label Learning with Margin Adjustment
• Title（参考訳）: Margin Adjustment を用いたマルチインスタンス部分ラベル学習
• Authors: Wei Tang, Yin-Fang Yang, Zhaofei Wang, Weijia Zhang, Min-Ling Zhang,
• Abstract要約: マルチインスタンス部分ラベル学習(MIPL)は、各トレーニングサンプルを候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現する新興学習フレームワークである。 既存のMIPLアルゴリズムは、しばしば注意点と予測確率のマージンを見落とし、最適以下の一般化性能をもたらす。 注意点と予測確率のマージンを調整したMIPLMAというアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 52.05053599664198
• License:
• Abstract: Multi-instance partial-label learning (MIPL) is an emerging learning framework where each training sample is represented as a multi-instance bag associated with a candidate label set. Existing MIPL algorithms often overlook the margins for attention scores and predicted probabilities, leading to suboptimal generalization performance. A critical issue with these algorithms is that the highest prediction probability of the classifier may appear on a non-candidate label. In this paper, we propose an algorithm named MIPLMA, i.e., Multi-Instance Partial-Label learning with Margin Adjustment, which adjusts the margins for attention scores and predicted probabilities. We introduce a margin-aware attention mechanism to dynamically adjust the margins for attention scores and propose a margin distribution loss to constrain the margins between the predicted probabilities on candidate and non-candidate label sets. Experimental results demonstrate the superior performance of MIPLMA over existing MIPL algorithms, as well as other well-established multi-instance learning algorithms and partial-label learning algorithms.
• Abstract（参考訳）: マルチインスタンス部分ラベル学習(MIPL)は、各トレーニングサンプルを候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現する新興学習フレームワークである。 既存のMIPLアルゴリズムは、しばしば注意点と予測確率のマージンを見落とし、最適以下の一般化性能をもたらす。 これらのアルゴリズムの重要な問題は、分類器の最も高い予測確率が非候補ラベルに現れることである。 本稿では、注意点と予測確率のマージン調整を用いたMIPLMA(マルチインスタンス部分ラベル学習)というアルゴリズムを提案する。 本研究では,注目スコアのマージンを動的に調整するマージン認識機構を導入し,予測確率と非候補ラベルとのマージンを制約するマージン分布損失を提案する。 実験により、MIPLMAは既存のMIPLアルゴリズムよりも優れた性能を示し、また、既存のマルチインスタンス学習アルゴリズムや部分ラベル学習アルゴリズムよりも優れた性能を示した。

関連論文リスト

• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• Multi-Label Noise Transition Matrix Estimation with Label Correlations: Theory and Algorithm [73.94839250910977]
  ノイズの多いマルチラベル学習は、大規模な正確なラベルの収集によって生じる課題により、注目を集めている。 遷移行列の導入は、マルチラベルノイズをモデル化し、統計的に一貫したアルゴリズムの開発に役立つ。 そこで本稿では, アンカーポイントを必要とせずに, ラベル相関を利用した新しい推定器を提案する。
  論文  参考訳（メタデータ） (2023-09-22T08:35:38Z)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• Multi-Instance Partial-Label Learning: Towards Exploiting Dual Inexact Supervision [53.530957567507365]
  実世界のタスクでは、各トレーニングサンプルは、1つの基底真実ラベルといくつかの偽陽性ラベルを含む候補ラベルセットに関連付けられている。 本稿では,Multi-instance partial-label learning (MIPL) などの問題を定式化する。 既存のマルチインスタンス学習アルゴリズムと部分ラベル学習アルゴリズムはMIPL問題の解法に最適である。
  論文  参考訳（メタデータ） (2022-12-18T03:28:51Z)
• Transductive Maximum Margin Classifier for Few-Shot Learning [17.18278071760926]
  ほとんどショットラーニングは、クラス毎に少数のラベル付きサンプルが与えられた場合に、うまく一般化できる分類器を訓練することを目的としている。 本稿では,TMMC (Transductive Maximum Margin) を導入し,それに対応する学習手法を提案する。 TMMCは、ラベル付きサポートセットとラベルなしクエリセットを混合したタスクで構築される。
  論文  参考訳（メタデータ） (2021-07-26T06:02:32Z)
• Multi-label Classification via Adaptive Resonance Theory-based Clustering [9.58897929546191]
  本稿では,適応共振理論(art)に基づくクラスタリングアルゴリズムとラベル確率計算のためのベイズ法を適用し,連続学習が可能なマルチラベル分類アルゴリズムを提案する。 合成および実世界のマルチラベルデータセットを用いた実験結果は,提案アルゴリズムが他のよく知られたアルゴリズムと競合する分類性能を持つことを示した。
  論文  参考訳（メタデータ） (2021-03-02T06:51:41Z)
• SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
  我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。 我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-08-16T11:07:44Z)

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。