論文の概要: UniMLR: Modeling Implicit Class Significance for Multi-Label Ranking
- arxiv url: http://arxiv.org/abs/2508.21772v1
- Date: Fri, 29 Aug 2025 16:44:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-01 19:45:11.119918
- Title: UniMLR: Modeling Implicit Class Significance for Multi-Label Ranking
- Title（参考訳）: UniMLR: マルチラベルランキングにおける暗黙のクラス意義のモデリング
- Authors: V. Bugra Yesilkaynak, Emine Dari, Alican Mertan, Gozde Unal,
- Abstract要約: 正のラベルのランク付けを用いた確率分布として、暗黙のクラス関連/重要度値をモデル化する新しいMLRパラダイムであるUniMLRを提案する。
統計的に,本手法は正位階の表現を正確に学習し,基礎となる有意値に比例することを示す。
- 参考スコア（独自算出の注目度）: 1.2366208723499548
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing multi-label ranking (MLR) frameworks only exploit information deduced from the bipartition of labels into positive and negative sets. Therefore, they do not benefit from ranking among positive labels, which is the novel MLR approach we introduce in this paper. We propose UniMLR, a new MLR paradigm that models implicit class relevance/significance values as probability distributions using the ranking among positive labels, rather than treating them as equally important. This approach unifies ranking and classification tasks associated with MLR. Additionally, we address the challenges of scarcity and annotation bias in MLR datasets by introducing eight synthetic datasets (Ranked MNISTs) generated with varying significance-determining factors, providing an enriched and controllable experimental environment. We statistically demonstrate that our method accurately learns a representation of the positive rank order, which is consistent with the ground truth and proportional to the underlying significance values. Finally, we conduct comprehensive empirical experiments on both real-world and synthetic datasets, demonstrating the value of our proposed framework.
- Abstract（参考訳）: 既存のMLR(Multi-label ranking)フレームワークは、ラベルの分割から得られる情報を正と負の集合にのみ活用する。
したがって,本論文で紹介する新しいMLRアプローチである,肯定的なラベルのランク付けの恩恵を受けない。
そこで我々は,UniMLRを提案する。UniMLRは暗黙のクラス関連/重要度値を,正のラベルのランク付けによる確率分布としてモデル化する新しいMLRパラダイムである。
このアプローチは、MLRに関連するランキングと分類タスクを統一する。
さらに,MLRデータセットにおいて,重要度決定因子の異なる8つの合成データセット(Ranked MNIST)を導入し,リッチで制御可能な実験環境を提供することによって,不足度とアノテーションバイアスの課題に対処する。
統計的に,本手法は正位階の表現を正確に学習し,基礎となる有意値に比例することを示す。
最後に、実世界のデータセットと合成データセットの両方について包括的な実証実験を行い、提案フレームワークの価値を実証した。
関連論文リスト
- Noise-Resistant Label Reconstruction Feature Selection for Partial Multi-Label Learning [3.635311806373203]
次元の急激さ」は様々なデータパターンにまたがって広まり、モデルオーバーフィットのリスクが増大し、モデル分類性能が低下する。
既存のPML(Partial Multi-label Learning)メソッドは、主に低ランクな仮定に基づいている。
本稿では,データセットの2つの重要な特徴を考慮したPML特徴選択手法を提案する。
論文 参考訳（メタデータ） (2025-06-05T06:31:04Z) - Limitations of Automatic Relevance Assessments with Large Language Models for Fair and Reliable Retrieval Evaluation [2.9180406633632523]
大規模言語モデル(LLM)は,自動関連性評価ツールとして注目されている。
近年の研究では、LLMに基づく評価が、人為的判断と高いシステムランキングの相関をもたらすことが示されている。
我々は,LLMによる判断が,上位評価システム間の順位差をいかに保っているか,また,人間の判断として相互に重要な評価を保っているかを検討する。
論文 参考訳（メタデータ） (2024-11-20T11:19:35Z) - Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。
均一分布仮定に依存しない一貫したアプローチを提案する。
相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文 参考訳（メタデータ） (2023-11-27T02:59:17Z) - GaussianMLR: Learning Implicit Class Significance via Calibrated
Multi-Label Ranking [0.0]
本稿では,ガウスMLRという新しい多ラベルランキング手法を提案する。
これは、正のラベルのランクを決定する暗黙のクラス重要性の値を学ぶことを目的としている。
提案手法は, 組み込まれた正のランク順の表現を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-03-07T14:09:08Z) - 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) - A Theory-Driven Self-Labeling Refinement Method for Contrastive
Representation Learning [111.05365744744437]
教師なしのコントラスト学習は、正のイメージの作物と、負のイメージの作物とをラベル付けする。
本研究は, コントラスト学習において, 不正確なラベル割り当てがセマンティック・インスタンス識別の一般化を著しく損なうことを最初に証明する。
この理論に触発されて、コントラスト学習のための新しい自己ラベル改善手法を提案する。
論文 参考訳（メタデータ） (2021-06-28T14:24:52Z) - MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
機械学習におけるマルチグループフェアネスの研究(MultiFair)
この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。
提案するフレームワークは多くの異なる設定に一般化可能である。
論文 参考訳（メタデータ） (2021-05-24T02:30:22Z) - 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) - Societal Biases in Retrieved Contents: Measurement Framework and
Adversarial Mitigation for BERT Rankers [9.811131801693856]
ランキングモデルの検索したテキスト内容の公平性を測定するための新しいフレームワークを提供する。
本稿では,最先端のbertrankersに適用した逆バイアス緩和手法を提案する。
MARCOベンチマークの結果,全てのランキングモデルの公正度は,ランク付け非依存のベースラインの公平度よりも低いが,検索内容の公平度は,提案した対角トレーニングの適用時に著しく向上することが示された。
論文 参考訳（メタデータ） (2021-04-28T08:53:54Z) - Revisiting LSTM Networks for Semi-Supervised Text Classification via
Mixed Objective Function [106.69643619725652]
我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。
いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
論文 参考訳（メタデータ） (2020-09-08T21:55:22Z)
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。