Fugu-MT 論文翻訳(概要): Constraint-aware Learning of Probabilistic Sequential Models for Multi-Label Classification

論文の概要: Constraint-aware Learning of Probabilistic Sequential Models for Multi-Label Classification

arxiv url: http://arxiv.org/abs/2507.15156v1
Date: Sun, 20 Jul 2025 23:31:36 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-22 20:51:32.218761
Title: Constraint-aware Learning of Probabilistic Sequential Models for Multi-Label Classification
Title（参考訳）: 複数ラベル分類のための確率的系列モデルの制約認識学習
Authors: Mykhailo Buleshnyi, Anna Polova, Zsolt Zombori, Michael Benedikt,
Abstract要約: 出力ラベルが論理的制約を満たすことが知られているようなラベルの集合を含む多ラベル分類について検討する。本稿では,各ラベルの分類器を表現的逐次モデルに変換し,共同分布を生成するアーキテクチャについて考察する。
参考スコア（独自算出の注目度）: 0.5624791703748108
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We investigate multi-label classification involving large sets of labels, where the output labels may be known to satisfy some logical constraints. We look at an architecture in which classifiers for individual labels are fed into an expressive sequential model, which produces a joint distribution. One of the potential advantages for such an expressive model is its ability to modelling correlations, as can arise from constraints. We empirically demonstrate the ability of the architecture both to exploit constraints in training and to enforce constraints at inference time.
Abstract（参考訳）: 出力ラベルが論理的制約を満たすことが知られているようなラベルの集合を含む多ラベル分類について検討する。本稿では,各ラベルの分類器を表現的逐次モデルに変換し,共同分布を生成するアーキテクチャについて考察する。そのような表現的モデルの潜在的な利点の1つは、制約から生じるような相関関係をモデル化する能力である。アーキテクチャがトレーニングの制約を活用できることと、推論時に制約を強制できることを実証的に示す。

関連論文リスト

Correlative and Discriminative Label Grouping for Multi-Label Visual Prompt Tuning [12.052388861361937]
近年の研究では、ラベル間の共起関係が強調され、準最適モデルが導かれる。ラベル間の相関関係と識別関係のバランスをとるためのマルチラベルビジュアルプロンプトチューニングフレームワークを提案する。提案手法は,複数の事前学習モデルにおいて,競争結果とSOTA法より優れる。
論文参考訳（メタデータ） (2025-04-14T08:52:50Z)
Self-Supervised Open-Ended Classification with Small Visual Language Models [60.23212389067007]
我々は、小さな視覚言語モデルを用いたオープンエンド分類のための数ショットの能力を解放する自己教師型アプローチであるSeCAtを提案する。約1Bパラメータを持つモデルを使用することで、FrozenやBrobAGeといった、はるかに大きなモデルの少数ショット能力より優れています。
論文参考訳（メタデータ） (2023-09-30T21:41:21Z)
ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
論文参考訳（メタデータ） (2023-04-07T15:17:48Z)
Leveraging Instance Features for Label Aggregation in Programmatic Weak Supervision [75.1860418333995]
Programmatic Weak Supervision (PWS) は、トレーニングラベルを効率的に合成するための広く普及したパラダイムとして登場した。 PWSのコアコンポーネントはラベルモデルであり、複数のノイズ管理ソースの出力をラベル関数として集約することで、真のラベルを推論する。既存の統計ラベルモデルは一般的にLFの出力のみに依存し、基礎となる生成過程をモデル化する際のインスタンスの特徴を無視している。
論文参考訳（メタデータ） (2022-10-06T07:28:53Z)
From Multi-label Learning to Cross-Domain Transfer: A Model-Agnostic Approach [1.5076964620370268]
我々は,タスクの伝達可能性は,ソースとターゲットドメイン,モデル間の類似度の測定から生じるという長期の仮定に挑戦するトランスファーラーニングのアプローチを開発する。基本的には、ソースモデルキャパシティに基づいたタスク依存を作成することができることを示す。
論文参考訳（メタデータ） (2022-07-24T13:37:25Z)
Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
論文参考訳（メタデータ） (2022-04-27T21:41:44Z)
Resolving label uncertainty with implicit posterior models [71.62113762278963]
本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
論文参考訳（メタデータ） (2022-02-28T18:09:44Z)
Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文参考訳（メタデータ） (2021-10-31T16:15:09Z)
Dependency Structure Misspecification in Multi-Source Weak Supervision Models [15.125993628007972]
下流分類器のテストセット性能に及ぼすラベルモデルの誤特定の影響について検討した。我々はモデリング誤差に関する新しい理論的境界を導出し、この誤差が実質的であることを実証的に示す。
論文参考訳（メタデータ） (2021-06-18T18:15:44Z)
Evolving Multi-label Classification Rules by Exploiting High-order Label Correlation [2.9822184411723645]
マルチラベル分類タスクでは、各問題インスタンスは同時に複数のクラスに関連付けられている。ラベル間の相関は、ペアワイズ相関の取得や高次相関の活用など、様々なレベルで利用することができる。本稿では,教師付き学習分類器システムを用いて,ラベルのサブセット内での高次ラベル相関を利用することを目的とする。
論文参考訳（メタデータ） (2020-07-22T18:13:12Z)
Multi-Label Text Classification using Attention-based Graph Neural Network [0.0]
ラベル間の注意的依存構造を捉えるために,グラフアテンションネットワークに基づくモデルを提案する。提案モデルでは, 従来の最先端モデルと比較して, 類似あるいは良好な性能が得られた。
論文参考訳（メタデータ） (2020-03-22T17:12:43Z)

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。