論文の概要: Reconsidering Feature Structure Information and Latent Space Alignment in Partial Multi-label Feature Selection

• arxiv url: http://arxiv.org/abs/2503.10115v1
• Date: Thu, 13 Mar 2025 07:21:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:51:56.897516
• Title: Reconsidering Feature Structure Information and Latent Space Alignment in Partial Multi-label Feature Selection
• Title（参考訳）: 部分多ラベル特徴選択における特徴構造情報と潜在空間アライメントの再検討
• Authors: Hanlin Pan, Kunpeng Liu, Wanfu Gao,
• Abstract要約: 部分的マルチラベル特徴選択の目的は、データがラベルあいまいな問題を持つ部分的マルチラベルデータセットから得られる最も代表的なサブセットを選択することである。 従来の手法は主にラベル内の情報の利用とラベルと特徴の関係に重点を置いていた。 本稿では,特徴空間で抽出された情報を用いて潜在空間の曖昧さを解消する潜在空間アライメントに基づく手法を提案する。
• 参考スコア（独自算出の注目度）: 3.971316989443196
• License:
• Abstract: The purpose of partial multi-label feature selection is to select the most representative feature subset, where the data comes from partial multi-label datasets that have label ambiguity issues. For label disambiguation, previous methods mainly focus on utilizing the information inside the labels and the relationship between the labels and features. However, the information existing in the feature space is rarely considered, especially in partial multi-label scenarios where the noises is considered to be concentrated in the label space while the feature information is correct. This paper proposes a method based on latent space alignment, which uses the information mined in feature space to disambiguate in latent space through the structural consistency between labels and features. In addition, previous methods overestimate the consistency of features and labels in the latent space after convergence. We comprehensively consider the similarity of latent space projections to feature space and label space, and propose new feature selection term. This method also significantly improves the positive label identification ability of the selected features. Comprehensive experiments demonstrate the superiority of the proposed method.
• Abstract（参考訳）: 部分的マルチラベル特徴選択の目的は、ラベルあいまいさの問題のある部分的マルチラベルデータセットから得られる、最も代表的な特徴部分を選択することである。 ラベルの曖昧さについて、従来の手法は主にラベル内の情報の利用とラベルと特徴の関係に焦点を当てていた。 しかし、特徴空間に存在する情報は、特に、特徴情報が正しい間にラベル空間に集中していると考えられる部分的なマルチラベルシナリオにおいて、ほとんど考慮されない。 本稿では,ラベルと特徴間の構造的整合性を通じて,特徴空間で抽出された情報を用いて潜在空間の曖昧さを解消する潜在空間アライメントに基づく手法を提案する。 さらに,従来の手法では収束後の潜在空間における特徴とラベルの一貫性を過大評価していた。 我々は、潜在空間の射影と特徴空間とラベル空間との類似性を包括的に検討し、新しい特徴選択項を提案する。 また、選択した特徴の正のラベル識別能力を著しく向上させる。 総合的な実験により提案手法の優位性を実証した。

関連論文リスト

• Modeling Multi-modal Cross-interaction for Multi-label Few-shot Image Classification Based on Local Feature Selection [55.144394711196924]
  マルチラベル設定の重要な特徴は、イメージがしばしば複数のラベルを持つことである。 本稿では,ラベルのプロトタイプを段階的に改良する戦略を提案する。 COCO, PASCAL VOC, NUS-WIDE, iMaterialist による実験により, このモデルにより最先端のモデルが大幅に改善されることが示された。
  論文  参考訳（メタデータ） (2024-12-18T11:10:18Z)
• Mixed Blessing: Class-Wise Embedding guided Instance-Dependent Partial Label Learning [53.64180787439527]
  部分ラベル学習(PLL)では、各サンプルは、基底トラスラベルと複数のノイズラベルからなる候補ラベルセットに関連付けられている。 初めて、各サンプルに対してクラスワイドな埋め込みを作成し、インスタンス依存のノイズラベルの関係を調査できるようにします。 ラベルの曖昧さを低減するため,グローバルな特徴情報を含むクラスプロトタイプのコンセプトを紹介した。
  論文  参考訳（メタデータ） (2024-12-06T13:25:39Z)
• Exploiting Conjugate Label Information for Multi-Instance Partial-Label Learning [61.00359941983515]
  MIPL(Multi-instance partial-label Learning)は、各トレーニングサンプルが1つの真のラベルといくつかの偽陽性を含む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されるシナリオに対処する。 ELIMIPLは共役ラベル情報を利用して曖昧性を改善する。
  論文  参考訳（メタデータ） (2024-08-26T15:49:31Z)
• Multi-Label Feature Selection Using Adaptive and Transformed Relevance [0.0]
  本稿では,ATRと呼ばれる情報理論に基づく新しい多ラベル特徴選択手法を提案する。 ATRは、個々のラベルと抽象的なラベル空間の識別能力を考慮している。 提案実験は,広範囲な特徴空間とラベル空間を特徴とするベンチマークにおけるATRのスケーラビリティを実証するものである。
  論文  参考訳（メタデータ） (2023-09-26T09:01:38Z)
• Contrastive Label Enhancement [13.628665406039609]
  コントラスト学習戦略により高次特徴を生成するコントラストラベル拡張(Contrastive Label Enhancement, ConLE)を提案する。 得られた高レベルな特徴を活用し、よく設計されたトレーニング戦略によりラベル分布を得る。
  論文  参考訳（メタデータ） (2023-05-16T14:53:07Z)
• SepLL: Separating Latent Class Labels from Weak Supervision Noise [4.730767228515796]
  弱い教師付き学習では、ラベル付け機能は自動的にデータサンプルにラベルを割り当て、しばしばうるさい。 本研究では,2種類の補完情報を分離し,弱いラベルから学習する手法を提案する。 我々のモデルは最先端技術と競合し、新しい最高の平均性能をもたらす。
  論文  参考訳（メタデータ） (2022-10-25T10:33:45Z)
• Part-based Pseudo Label Refinement for Unsupervised Person Re-identification [29.034390810078172]
  教師なしの人物再識別(re-ID)は、ラベルなしデータから人物検索のための識別表現を学習することを目的としている。 近年の手法では擬似ラベルを用いることでこの課題が達成されているが,これらのラベルは本質的にノイズが多く,精度が低下している。 本稿では,グローバルな特徴と部分的特徴の相補関係を利用して,ラベルノイズを低減するPseudo Label Refinement (PPLR) フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-28T12:15:53Z)
• Learning Discriminative Features using Multi-label Dual Space [8.510041322997116]
  特徴空間から意味ラベル空間への投影行列を学習するための,多ラベル学習における新しい手法を提案する。 学習したプロジェクション行列は、複数のセマンティックラベルにまたがる識別的特徴のサブセットを特定する。
  論文  参考訳（メタデータ） (2021-02-25T23:53:21Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• mDALU: Multi-Source Domain Adaptation and Label Unification with Partial Datasets [102.62639692656458]
  本稿では,この課題をマルチソースドメイン適応とラベル統一の問題として扱う。 本手法は,部分教師あり適応段階と完全教師あり適応段階からなる。 本手法は,画像分類,2次元意味画像分割,ジョイント2d-3d意味セグメンテーションの3つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-12-15T15:58:03Z)
• Select, Label, and Mix: Learning Discriminative Invariant Feature Representations for Partial Domain Adaptation [55.73722120043086]
  部分領域適応のための識別的不変特徴表現を学習するための「選択、ラベル、混合(SLM)」フレームワークを開発した。 まず, 正の移動を避けるために, 外部からのサンプルを自動的にフィルタする, 単純で効率的な「選択」モジュールを提案する。 次に、「ラベル」モジュールは、ラベル付きソースドメインデータと生成されたターゲットドメインの擬似ラベルの両方を用いて分類器を反復的に訓練し、潜在空間の識別性を高める。
  論文  参考訳（メタデータ） (2020-12-06T19:29:32Z)

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。