論文の概要: Rethinking Label-specific Features for Label Distribution Learning
- arxiv url: http://arxiv.org/abs/2504.19374v1
- Date: Sun, 27 Apr 2025 22:32:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.259606
- Title: Rethinking Label-specific Features for Label Distribution Learning
- Title（参考訳）: ラベル分布学習のためのラベル固有の特徴の再考
- Authors: Suping Xu, Chuyi Dai, Lin Shang, Changbin Shao, Xibei Yang, Witold Pedrycz,
- Abstract要約: ラベル特化機能(LSF)は,各ラベルにクラスタリングベースのプロトタイプを活用することで,ラベルのあいまいさを伴うタスクの学習に有効であることが証明されている。
本稿では, ラベル-specifIc FeaTure with SAP (LDL-LIFT-SAP) を用いたラベル分散学習法を提案する。
- 参考スコア（独自算出の注目度）: 42.463322504410336
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Label distribution learning (LDL) is an emerging learning paradigm designed to capture the relative importance of labels for each instance. Label-specific features (LSFs), constructed by LIFT, have proven effective for learning tasks with label ambiguity by leveraging clustering-based prototypes for each label to re-characterize instances. However, directly introducing LIFT into LDL tasks can be suboptimal, as the prototypes it collects primarily reflect intra-cluster relationships while neglecting interactions among distinct clusters. Additionally, constructing LSFs using multi-perspective information, rather than relying solely on Euclidean distance, provides a more robust and comprehensive representation of instances, mitigating noise and bias that may arise from a single distance perspective. To address these limitations, we introduce Structural Anchor Points (SAPs) to capture inter-cluster interactions. This leads to a novel LSFs construction strategy, LIFT-SAP, which enhances LIFT by integrating both distance and direction information of each instance relative to SAPs. Furthermore, we propose a novel LDL algorithm, Label Distribution Learning via Label-specifIc FeaTure with SAPs (LDL-LIFT-SAP), which unifies multiple label description degrees predicted from different LSF spaces into a cohesive label distribution. Extensive experiments on 15 real-world datasets demonstrate the effectiveness of LIFT-SAP over LIFT, as well as the superiority of LDL-LIFT-SAP compared to seven other well-established algorithms.
- Abstract（参考訳）: ラベル分散学習(LDL)は、各インスタンスにおけるラベルの相対的重要性を捉えるために設計された、新興学習パラダイムである。
LIFTによって構築されたラベル特化機能(LSFs)は、各ラベルにクラスタリングベースのプロトタイプを活用してインスタンスをリキャラクタライズすることで、ラベルあいまいさを伴うタスクの学習に有効であることが証明されている。
しかし、LIFTをLCLタスクに直接導入することは、異なるクラスタ間の相互作用を無視しながら、収集するプロトタイプがクラスタ内関係を主に反映しているため、亜最適である。
さらに、ユークリッド距離のみに頼るのではなく、多視点情報を用いたLSFの構築は、単一距離の観点から発生するノイズやバイアスを緩和し、より堅牢で包括的なインスタンス表現を提供する。
これらの制限に対処するために、クラスタ間相互作用をキャプチャする構造アンカーポイント(SAP)を導入する。
これにより、新しいLCFs構築戦略であるLIFT-SAPが実現され、SAPに対する各インスタンスの距離と方向の情報を統合することでLIFTが強化される。
さらに,異なる LSF 空間から予測される複数のラベル記述度を結合性のあるラベル分布に統一する新しい LDL アルゴリズムである Label-specifIc FeaTure with SAP (LDL-LIFT-SAP) を提案する。
15の実世界のデータセットに対する大規模な実験は、LIFTに対するLIFT-SAPの有効性と、他の7つの確立されたアルゴリズムと比較してLDL-LIFT-SAPの優位性を示している。
関連論文リスト
- Incremental Label Distribution Learning with Scalable Graph Convolutional Networks [41.02170058889797]
本稿では,ILDL(Incrmental Label Distribution Learning)を導入し,トレーニングサンプルとラベル間関係に関する重要な課題を分析した。
具体的には、新しいラベルの学習を高速化し、ラベル間の関係をグラフとして表現する、新しいラベル対応のグラディエント補償損失を開発する。
論文 参考訳（メタデータ） (2024-11-20T07:49:51Z) - Towards Better Performance in Incomplete LDL: Addressing Data Imbalance [48.54894491724677]
我々は,不完全なラベルと不均衡なラベル分布を同時に扱うフレームワークであるtextIncomplete and Im Balance Label Distribution Learning (I(2)LDL)を提案する。
本手法は, ラベル分布行列を, 頻繁なラベルのための低ランク成分と希少なラベルのためのスパース成分に分解し, 頭部と尾部のラベルの構造を効果的に把握する。
論文 参考訳（メタデータ） (2024-10-17T14:12:57Z) - RankMatch: A Novel Approach to Semi-Supervised Label Distribution
Learning Leveraging Inter-label Correlations [52.549807652527306]
本稿では,SSLDL (Semi-Supervised Label Distribution Learning) の革新的なアプローチである RankMatch を紹介する。
RankMatchは、ラベルのない大量のデータとともに、少数のラベル付き例を効果的に活用する。
我々はRandMatchに縛られる理論的な一般化を確立し、広範な実験を通じて既存のSSLDL法に対する性能上の優位性を実証した。
論文 参考訳（メタデータ） (2023-12-11T12:47:29Z) - Scalable Label Distribution Learning for Multi-Label Classification [43.52928088881866]
マルチラベル分類(MLC、Multi-label classification)とは、あるインスタンスに関連ラベルのセットをタグ付けする問題を指す。
既存のMLC法の多くは、ラベルペア内の2つのラベルの相関が対称であるという仮定に基づいている。
既存のほとんどの手法はラベル数に関連する学習プロセスを設計しており、大規模な出力空間にスケールアップする際の計算複雑性をボトルネックにしている。
論文 参考訳（メタデータ） (2023-11-28T06:52:53Z) - FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large
Language Models in Federated Learning [70.38817963253034]
本稿では, ファインチューニング LLM のこれらの課題について論じ, 本パッケージ FS-LLM を主な貢献として紹介する。
我々は、FLシナリオにおける将来の拡張のために、包括的フェデレーションパラメータ効率の良い微調整アルゴリズムの実装と汎用プログラミングインタフェースを提供する。
本研究では, FS-LLM の有効性を検証し, FL 設定におけるパラメータ効率の高いパラメータ調整アルゴリズムを用いて, 高度な LLM のベンチマークを行う。
論文 参考訳（メタデータ） (2023-09-01T09:40:36Z) - Robust Representation Learning for Unreliable Partial Label Learning [86.909511808373]
部分ラベル学習(Partial Label Learning, PLL)は、弱い教師付き学習の一種で、各トレーニングインスタンスに候補ラベルのセットが割り当てられる。
これはUn Reliable partial Label Learning (UPLL) と呼ばれ、部分ラベルの本質的な信頼性の欠如とあいまいさにより、さらなる複雑さをもたらす。
本研究では,信頼できない部分ラベルに対するモデル強化を支援するために,信頼性に欠けるコントラスト学習を活用するUnreliability-Robust Representation Learning framework(URRL)を提案する。
論文 参考訳（メタデータ） (2023-08-31T13:37:28Z) - 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) - Label Distribution Learning from Logical Label [19.632157794117553]
ラベル分布学習(LDL)は、サンプルのラベル記述度(ラベル分布)を予測する効果的な方法である。
しかし、トレーニングサンプルのラベル分布のアノテートは非常にコストがかかる。
論理ラベルから直接LDLモデルを学習する新しい手法を提案し,LEとLDLを結合モデルに統一する。
論文 参考訳（メタデータ） (2023-03-13T04:31:35Z) - An Empirical Study on Large-Scale Multi-Label Text Classification
Including Few and Zero-Shot Labels [49.036212158261215]
大規模なMulti-label Text Classification (LMTC) は、幅広い自然言語処理 (NLP) アプリケーションを持つ。
Label-Wise Attention Networks (LWANs) を用いた最新のLMTCモデル
確率的ラベル木(PLT)に基づく階層的手法がLWANより優れていることを示す。
BERTとLWANを組み合わせた最先端手法を提案する。
論文 参考訳（メタデータ） (2020-10-04T18:55:47Z) - Generalized Label Enhancement with Sample Correlations [24.582764493585362]
サンプル相関付きラベル拡張(LESC)と、サンプル相関付きラベル拡張(gLESC)の2つの新しいラベル拡張手法を提案する。
サンプル相関から,提案手法はラベル強化性能を向上させることができる。
論文 参考訳（メタデータ） (2020-04-07T03:32:36Z) - Partial Multi-label Learning with Label and Feature Collaboration [21.294791188490056]
部分的マルチラベル学習(PML)は、各トレーニングインスタンスに候補ラベルのセットをアノテートするシナリオをモデル化する。
PMLデータに対する信頼性のある予測器を実現するため,PML-LFC (Partial Multi-label Learning with Label and Feature Collaboration)を提案する。
PML-LFCは、ラベルと特徴空間の両方から類似性を用いて、各インスタンスの関連ラベルの信頼性値を推定する。
論文 参考訳（メタデータ） (2020-03-17T08:34:45Z)
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。