論文の概要: The Majority Vote Paradigm Shift: When Popular Meets Optimal

• arxiv url: http://arxiv.org/abs/2502.12581v1
• Date: Tue, 18 Feb 2025 06:37:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:09:35.634335
• Title: The Majority Vote Paradigm Shift: When Popular Meets Optimal
• Title（参考訳）: 多数派投票のパラダイムシフト: 人気が最適になったとき
• Authors: Antonio Purificato, Maria Sofia Bucarelli, Anil Kumar Nelakanti, Andrea Bacciu, Fabrizio Silvestri, Amin Mantrach,
• Abstract要約: マジョリティ投票(Majority Vote、MV)は、投票数が最も多いクラスラベルを選択する。 本稿では,MVがラベル推定誤差に基づいて理論的に最適な下界を実現する条件を特徴付ける。 この最適性の証明は、ラベルアグリゲーションのためのモデル選択により原則化されたアプローチを提供する。
• 参考スコア（独自算出の注目度）: 5.398967087923019
• License:
• Abstract: Reliably labelling data typically requires annotations from multiple human workers. However, humans are far from being perfect. Hence, it is a common practice to aggregate labels gathered from multiple annotators to make a more confident estimate of the true label. Among many aggregation methods, the simple and well known Majority Vote (MV) selects the class label polling the highest number of votes. However, despite its importance, the optimality of MV's label aggregation has not been extensively studied. We address this gap in our work by characterising the conditions under which MV achieves the theoretically optimal lower bound on label estimation error. Our results capture the tolerable limits on annotation noise under which MV can optimally recover labels for a given class distribution. This certificate of optimality provides a more principled approach to model selection for label aggregation as an alternative to otherwise inefficient practices that sometimes include higher experts, gold labels, etc., that are all marred by the same human uncertainty despite huge time and monetary costs. Experiments on both synthetic and real world data corroborate our theoretical findings.
• Abstract（参考訳）: 信頼性の高いラベル付けには、通常、複数のヒューマンワーカーからのアノテーションが必要である。 しかし、人間は完璧とは程遠い。 したがって、複数のアノテータから集められたラベルを集約して、真のラベルをより確実な見積を行うのが一般的である。 多くの集計方法の中で、シンプルでよく知られた多数決投票(MV)は、投票数が最も多いクラスラベルを選択する。 しかし,その重要性にもかかわらず,MVのラベルアグリゲーションの最適性は広く研究されていない。 本研究の課題は,MVがラベル推定誤差の理論的に最適な下限を達成する条件を特徴づけることである。 その結果,MVが与えられたクラス分布のラベルを最適に復元できるアノテーションノイズに対する許容限界が得られた。 この最適性の証明書は、大きな時間と金銭的コストにもかかわらず、同じ不確実性に悩まされる高名な専門家、金のラベルなどを含む非効率な慣行の代替として、ラベルアグリゲーションのためのモデル選択により原則化されたアプローチを提供する。 合成データと実世界のデータの両方の実験は、我々の理論的な発見を裏付ける。

関連論文リスト

• Generating Unbiased Pseudo-labels via a Theoretically Guaranteed Chebyshev Constraint to Unify Semi-supervised Classification and Regression [57.17120203327993]
  分類におけるしきい値と擬似ラベルプロセス(T2L)は、ラベルの品質を決定するために信頼性を使用する。 本質的には、レグレッションは高品質なラベルを生成するためにバイアスのない方法も必要である。 チェビシェフの不等式に基づく不偏ラベルを生成するための理論的に保証された制約を提案する。
  論文  参考訳（メタデータ） (2023-11-03T08:39:35Z)
• Robust Assignment of Labels for Active Learning with Sparse and Noisy Annotations [0.17188280334580192]
  監視された分類アルゴリズムは、世界中の多くの現実の問題を解決するために使用される。 残念なことに、多くのタスクに対して良質なアノテーションを取得することは、実際に行うには不可能か、あるいはコストがかかりすぎます。 サンプル空間のラベルのない部分を利用する2つの新しいアノテーション統一アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-25T19:40:41Z)
• How many labelers do you have? A closer look at gold-standard labels [10.637125300701795]
  我々は、非集約ラベル情報へのアクセスによって、ゴールドスタンダードラベルよりも、トレーニングの適格化がより実現可能であることを示す。 我々は,非アグリゲートラベルが学習性能を改善することを含む,実世界のデータセットの予測を行う。
  論文  参考訳（メタデータ） (2022-06-24T02:33:50Z)
• 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)
• Learning with Proper Partial Labels [87.65718705642819]
  部分ラベル学習は、不正確なラベルを持つ弱い教師付き学習の一種である。 この適切な部分ラベル学習フレームワークには,従来の部分ラベル学習設定が数多く含まれていることを示す。 次に、分類リスクの統一的非バイアス推定器を導出する。
  論文  参考訳（メタデータ） (2021-12-23T01:37:03Z)
• Instance-Dependent Partial Label Learning [69.49681837908511]
  部分ラベル学習は、典型的には弱教師付き学習問題である。 既存のほとんどのアプローチでは、トレーニングサンプルの間違ったラベルがランダムに候補ラベルとして選択されていると仮定している。 本稿では,各例が実数で構成された潜在ラベル分布と関連していると仮定する。
  論文  参考訳（メタデータ） (2021-10-25T12:50:26Z)
• An Empirical Investigation of Learning from Biased Toxicity Labels [15.822714574671412]
  我々は,人間の注釈付きラベルの小さなデータセットと,合成されたラベルの大きいがノイズの多いデータセットを,異なるトレーニング戦略が活用できるかを検討する。 これらの手法の精度と公平性、および両者のトレードオフを評価する。
  論文  参考訳（メタデータ） (2021-10-04T17:19:57Z)
• Confident in the Crowd: Bayesian Inference to Improve Data Labelling in Crowdsourcing [0.30458514384586394]
  我々は,コスト削減を図りながら,ラベルの品質を向上させる新しい手法を提案する。 本稿では,ベイズ推定などのより洗練された手法を用いてラベルラの性能を計測する。 提案手法は,群集内で不一致が発生した場合に高い信頼性を維持しつつ,コストと精度の両方で標準的な投票方法より優れる。
  論文  参考訳（メタデータ） (2021-05-28T17:09:45Z)
• PLM: Partial Label Masking for Imbalanced Multi-label Classification [59.68444804243782]
  長いラベルの分布を持つ実世界のデータセットで訓練されたニューラルネットワークは、頻繁なクラスに偏りがあり、頻繁なクラスでは不十分である。 本稿では,この比率を利用したPLM(Partial Label Masking)を提案する。 本手法は,マルチラベル (MultiMNIST と MSCOCO) とシングルラベル (CIFAR-10 と CIFAR-100) の2つの画像分類データセットにおいて,既存の手法と比較して高い性能を実現する。
  論文  参考訳（メタデータ） (2021-05-22T18:07:56Z)

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。