論文の概要: Multi-Label Test-Time Adaptation with Bound Entropy Minimization

• arxiv url: http://arxiv.org/abs/2502.03777v1
• Date: Thu, 06 Feb 2025 04:52:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:32:44.230133
• Title: Multi-Label Test-Time Adaptation with Bound Entropy Minimization
• Title（参考訳）: 境界エントロピー最小化によるマルチラベルテスト時間適応
• Authors: Xiangyu Wu, Feng Yu, Qing-Guo Chen, Yang Yang, Jianfeng Lu,
• Abstract要約: 境界エントロピー最小化(BEM)を開発し、複数の上位ラベルの信頼性を同時に向上する。 MSCOCO,VOC,NUSWIDEのマルチラベルデータセット全体にわたって,ML--TTAフレームワークは最新のSOTA手法よりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 12.13471668494843
• License:
• Abstract: Mainstream test-time adaptation (TTA) techniques endeavor to mitigate distribution shifts via entropy minimization for multi-class classification, inherently increasing the probability of the most confident class. However, when encountering multi-label instances, the primary challenge stems from the varying number of labels per image, and prioritizing only the highest probability class inevitably undermines the adaptation of other positive labels. To address this issue, we investigate TTA within multi-label scenario (ML--TTA), developing Bound Entropy Minimization (BEM) objective to simultaneously increase the confidence of multiple top predicted labels. Specifically, to determine the number of labels for each augmented view, we retrieve a paired caption with yielded textual labels for that view. These labels are allocated to both the view and caption, called weak label set and strong label set with the same size k. Following this, the proposed BEM considers the highest top-k predicted labels from view and caption as a single entity, respectively, learning both view and caption prompts concurrently. By binding top-k predicted labels, BEM overcomes the limitation of vanilla entropy minimization, which exclusively optimizes the most confident class. Across the MSCOCO, VOC, and NUSWIDE multi-label datasets, our ML--TTA framework equipped with BEM exhibits superior performance compared to the latest SOTA methods, across various model architectures, prompt initialization, and varying label scenarios. The code is available at https://github.com/Jinx630/ML-TTA.
• Abstract（参考訳）: 主流テスト時間適応(TTA)技術は,マルチクラス分類におけるエントロピー最小化による分散シフトを緩和するために,本質的に最も自信のあるクラスの確率を増大させる。 しかし、複数ラベルのインスタンスに遭遇する場合、主な課題は画像ごとにラベルの数が異なることに起因するため、最も高い確率クラスのみを優先順位付けすることが、他の正のラベルの適応を必然的に損なう。 この問題に対処するため,マルチラベルシナリオ(ML--TTA)内のTTAを調査し,BEM(Bound Entropy Minimization)を目標とし,複数の上位ラベルの信頼性を同時に向上する。 具体的には、各拡張ビューのラベル数を決定するために、そのビューのテキストラベルを出力したペアキャプションを検索する。 これらのラベルはビューとキャプションの両方に割り当てられ、弱いラベルセットと同じ大きさの強いラベルセットと呼ばれる。 その後、BEMは、ビューとキャプションの両方を同時に学習することで、ビューとキャプションから予測される最高のトップkラベルを1つのエンティティとみなす。 トップkの予測ラベルを結合することで、BEMは最も自信のあるクラスを最適化するバニラエントロピー最小化の制限を克服する。 MSCOCO,VOC,NUSWIDEのマルチラベルデータセット全体にわたって,BEMを組み込んだML-TTAフレームワークは,最新のSOTA手法よりも優れた性能を示す。 コードはhttps://github.com/Jinx630/ML-TTAで公開されている。

関連論文リスト

• Determined Multi-Label Learning via Similarity-Based Prompt [12.428779617221366]
  マルチラベル分類では、各トレーニングインスタンスは複数のクラスラベルに同時に関連付けられている。 この問題を軽減するために,textitDetermined Multi-Label Learning (DMLL) と呼ばれる新しいラベル設定を提案する。
  論文  参考訳（メタデータ） (2024-03-25T07:08:01Z)
• Making Binary Classification from Multiple Unlabeled Datasets Almost Free of Supervision [128.6645627461981]
  本稿では,複数ラベル付きデータセットからの2値分類という新たな問題設定を提案する。 MU-OPPOでは、ラベル付けされていないすべてのデータセットのクラスプリエントは不要です。 このフレームワークは,クラス前の推定誤差が小さくなり,バイナリ分類の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-06-12T11:33:46Z)
• Deep Partial Multi-Label Learning with Graph Disambiguation [27.908565535292723]
  grAph-disambIguatioN (PLAIN) を用いた新しいディープ部分多重ラベルモデルを提案する。 具体的には、ラベルの信頼性を回復するために、インスタンスレベルとラベルレベルの類似性を導入する。 各トレーニングエポックでは、ラベルがインスタンスとラベルグラフに伝播し、比較的正確な擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2023-05-10T04:02:08Z)
• Complementary to Multiple Labels: A Correlation-Aware Correction Approach [65.59584909436259]
  理論上, マルチクラスCLLにおける遷移行列が, 複数ラベルの場合どのように歪むかを示す。 候補ラベルから遷移行列を推定する2段階の手法を提案する。
  論文  参考訳（メタデータ） (2023-02-25T04:48:48Z)
• 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)
• Acknowledging the Unknown for Multi-label Learning with Single Positive Labels [65.5889334964149]
  伝統的に、全ての無注釈ラベルは、単一正のマルチラベル学習(SPML)において負のラベルとして仮定される。 本研究では, 予測確率のエントロピーを最大化するエントロピー最大化(EM)損失を提案する。 非通知ラベルの正負ラベル不均衡を考慮し、非対称耐性戦略とより精密な監視を行うセルフペースト手順を備えた非対称擬似ラベル(APL)を提案する。
  論文  参考訳（メタデータ） (2022-03-30T11:43:59Z)
• Enhancing Label Correlation Feedback in Multi-Label Text Classification via Multi-Task Learning [6.1538971100140145]
  ラベル相関フィードバックを高めるために,マルチタスク学習を用いた新しい手法を提案する。 本稿では,ラベル相関学習を強化するための2つの補助ラベル共起予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-06-06T12:26:14Z)
• Evaluating Multi-label Classifiers with Noisy Labels [0.7868449549351487]
  実世界では、クリーンなデータセットよりもノイズの多いデータセットを扱う方が一般的です。 雑音ラベルを効果的に処理するコンテキストベースマルチラベル分類器(CbMLC)を提案する。 CbMLCは、ほとんどの場合、以前の方法よりも大幅に改善されています。
  論文  参考訳（メタデータ） (2021-02-16T19:50:52Z)
• A Study on the Autoregressive and non-Autoregressive Multi-label Learning [77.11075863067131]
  本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。 したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
  論文  参考訳（メタデータ） (2020-12-03T05:41:44Z)
• Unsupervised Person Re-identification via Multi-label Classification [55.65870468861157]
  本稿では,教師なしのReIDを多ラベル分類タスクとして定式化し,段階的に真のラベルを求める。 提案手法は,まず,各人物画像に単一クラスラベルを割り当てることから始まり,ラベル予測のために更新されたReIDモデルを活用することで,多ラベル分類へと進化する。 マルチラベル分類におけるReIDモデルのトレーニング効率を高めるために,メモリベースマルチラベル分類損失(MMCL)を提案する。
  論文  参考訳（メタデータ） (2020-04-20T12:13:43Z)

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。