Fugu-MT 論文翻訳(概要): Partial Label Clustering

論文の概要: Partial Label Clustering

arxiv url: http://arxiv.org/abs/2505.03207v1
Date: Tue, 06 May 2025 05:43:55 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-07 18:50:11.229032
Title: Partial Label Clustering
Title（参考訳）: 部分ラベルクラスタリング
Authors: Yutong Xie, Fuchao Yang, Yuheng Jia,
Abstract要約: 部分ラベル学習(Partial label learning, PLL)は、かなり弱い教師付き学習フレームワークである。本稿では,クラスタリング性能を向上させるために,限られた部分ラベルを利用する部分ラベル問題について検討する。
参考スコア（独自算出の注目度）: 26.94926680877357
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Partial label learning (PLL) is a significant weakly supervised learning framework, where each training example corresponds to a set of candidate labels and only one label is the ground-truth label. For the first time, this paper investigates the partial label clustering problem, which takes advantage of the limited available partial labels to improve the clustering performance. Specifically, we first construct a weight matrix of examples based on their relationships in the feature space and disambiguate the candidate labels to estimate the ground-truth label based on the weight matrix. Then, we construct a set of must-link and cannot-link constraints based on the disambiguation results. Moreover, we propagate the initial must-link and cannot-link constraints based on an adversarial prior promoted dual-graph learning approach. Finally, we integrate weight matrix construction, label disambiguation, and pairwise constraints propagation into a joint model to achieve mutual enhancement. We also theoretically prove that a better disambiguated label matrix can help improve clustering performance. Comprehensive experiments demonstrate our method realizes superior performance when comparing with state-of-the-art constrained clustering methods, and outperforms PLL and semi-supervised PLL methods when only limited samples are annotated. The code is publicly available at https://github.com/xyt-ml/PLC.
Abstract（参考訳）: 部分ラベル学習 (Partial label learning, PLL) は, 各トレーニング例が候補ラベルの集合に対応し, 1つのラベルのみが基本トラストラベルである,極めて弱い教師付き学習フレームワークである。本稿では,クラスタリング性能を向上させるために,限られた部分ラベルを利用する部分ラベルクラスタリング問題を初めて検討する。具体的には、まず特徴空間におけるそれらの関係に基づいてサンプルの重み行列を構築し、候補ラベルを曖昧にし、重み行列に基づいて基底構造ラベルを推定する。そこで,不明瞭な結果に基づいて,必須リンクと無リンク制約のセットを構築した。さらに,前向きな二重グラフ学習手法に基づいて,初期有意リンクと非有意リンクの制約を伝搬する。最後に,重み行列の構成,ラベルの曖昧さ,一対の制約伝搬をジョイントモデルに統合し,相互強化を実現する。また、より曖昧なラベル行列がクラスタリング性能の向上に役立つことを理論的に証明する。包括的実験により,本手法は最先端の制約クラスタリング手法と比較して優れた性能を示し,限られたサンプルにアノテートされた場合,PLL法や半教師付きPLL法よりも優れていた。コードはhttps://github.com/xyt-ml/PLCで公開されている。

関連論文リスト

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)
Pseudo-labelling meets Label Smoothing for Noisy Partial Label Learning [8.387189407144403]
部分ラベル学習(Partial label learning、PLL)は、各トレーニングインスタンスが候補ラベル(Partial label)のセットとペアリングされる弱い教師付き学習パラダイムである。 NPLLはこの制約を緩和し、一部の部分ラベルが真のラベルを含まないようにし、問題の実用性を高める。本稿では,近傍の重み付けアルゴリズムを用いて,雑音のある部分ラベルを利用して画像に擬似ラベルを割り当てる最小限のフレームワークを提案する。
論文参考訳（メタデータ） (2024-02-07T13:32:47Z)
Learning Label Hierarchy with Supervised Contrastive Learning [8.488965459026678]
教師付きコントラスト学習(SCL)フレームワークは、各クラスを独立したものとして扱うため、すべてのクラスが等しく重要であるとみなす。本稿では,クラス間の類似性を利用して階層情報をSCLに組み込んだラベル認識型SCL手法(LASCL)のファミリーを紹介する。 3つのデータセットに対する実験により、提案したLASCLは、複数ラベルの1つのラベルを区別するテキスト分類にうまく機能することが示された。
論文参考訳（メタデータ） (2024-01-31T23:21:40Z)
Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
論文参考訳（メタデータ） (2023-12-18T09:09:52Z)
Substituting Data Annotation with Balanced Updates and Collective Loss in Multi-label Text Classification [19.592985329023733]
MLTC(Multi-label text classification)は、あるテキストに複数のラベルを割り当てるタスクである。本報告では,MLTCの問題点を,ラベル数に比例して,利用可能な監視信号の大きさが線形であるアノテーションフリーおよび希少アノテーション設定で検討する。提案手法は,(1)事前学習した言語モデルを用いて,入力テキストを事前ラベル候補の集合にマッピングし,(2)ラベル記述による署名付きラベル依存グラフの計算,(3)ラベル依存グラフに沿ったメッセージパスによる事前ラベル候補の更新を行う。
論文参考訳（メタデータ） (2023-09-24T04:12:52Z)
Complementary Classifier Induced Partial Label Learning [54.61668156386079]
部分ラベル学習(PLL)では、各トレーニングサンプルは候補ラベルのセットに関連付けられ、そのうち1つのみが有効である。曖昧さでは、既存の研究は通常、非候補ラベルセットの有効性を十分に調査しない。本稿では,非候補ラベルを用いて補完的分類器を誘導し,従来の分類器に対する逆関係を自然に形成する。
論文参考訳（メタデータ） (2023-05-17T02:13:23Z)
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)
SoLar: Sinkhorn Label Refinery for Imbalanced Partial-Label Learning [31.535219018410707]
部分ラベル学習(Partial-label Learning, PLL)は、トレーニングサンプルが一般に、単一の真実ではなく、一連の候補ラベルに関連付けられている、独特な弱い教師付き学習課題である。本稿では,境界クラス事前分布のマッチングに向けて,曖昧なラベルを洗練するための新しいフレームワークであるSoLarを提案する。 SoLarは、従来の最先端の手法に比べて、標準化されたベンチマークにおいてかなり優れた結果を示している。
論文参考訳（メタデータ） (2022-09-21T14:00:16Z)
Multi-label Classification with Partial Annotations using Class-aware Selective Loss [14.3159150577502]
大規模なマルチラベル分類データセットは、一般的に部分的に注釈付けされている。部分的なラベリング問題を解析し、2つの重要なアイデアに基づいた解を提案する。われわれの新しいアプローチにより、OpenImagesデータセット上で最先端の結果が得られる。
論文参考訳（メタデータ） (2021-10-21T08:10:55Z)

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。