論文の概要: Multi-Label Transfer Learning in Non-Stationary Data Streams

• arxiv url: http://arxiv.org/abs/2509.08181v1
• Date: Tue, 09 Sep 2025 23:01:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.263301
• Title: Multi-Label Transfer Learning in Non-Stationary Data Streams
• Title（参考訳）: 非定常データストリームにおけるマルチラベル変換学習
• Authors: Honghui Du, Leandro Minku, Aonghus Lawlor, Huiyu Zhou,
• Abstract要約: 複数ラベル分類のための2つの新しい移動学習手法を提案する。 BR-MARLENEは、ソースストリームとターゲットストリームの両方の異なるラベルからの知識を活用して、マルチラベル分類を行う。 BRPW-MARLENEは、学習性能を高めるために、ペアワイズラベルの依存関係を明示的にモデル化し、転送することによって、この上に構築されている。
• 参考スコア（独自算出の注目度）: 8.7644441315538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Label concepts in multi-label data streams often experience drift in non-stationary environments, either independently or in relation to other labels. Transferring knowledge between related labels can accelerate adaptation, yet research on multi-label transfer learning for data streams remains limited. To address this, we propose two novel transfer learning methods: BR-MARLENE leverages knowledge from different labels in both source and target streams for multi-label classification; BRPW-MARLENE builds on this by explicitly modelling and transferring pairwise label dependencies to enhance learning performance. Comprehensive experiments show that both methods outperform state-of-the-art multi-label stream approaches in non-stationary environments, demonstrating the effectiveness of inter-label knowledge transfer for improved predictive performance.
• Abstract（参考訳）: マルチラベルデータストリームにおけるラベルの概念は、独立に、あるいは他のラベルと関係なく、静止しない環境でドリフトを経験することが多い。 関連ラベル間の知識伝達は適応を加速させるが、データストリームに対する多ラベル移動学習の研究は限定的である。 BR-MARLENEは、複数ラベルの分類のために、ソースとターゲットの両方のストリームの異なるラベルからの知識を活用し、BRPW-MARLENEは、ペアのラベル依存を明示的にモデル化して、学習性能を高めることによって構築する。 総合実験により,両手法は非定常環境における最先端マルチラベルストリーム手法より優れており,ラベル間知識伝達の有効性が予測性能の向上に有効であることが示された。

関連論文リスト

• Multi-Label Bayesian Active Learning with Inter-Label Relationships [6.641227380551414]
  両課題に対処する多ラベルアクティブラーニング戦略を提案する。 本手法は, 漸進的に更新された正相関行列と負相関行列を組み込んで, 共起関係と解離関係を捉える。 私たちの戦略は、いくつかの確立された方法と比較して、信頼性と優れたパフォーマンスを継続的に達成します。
  論文  参考訳（メタデータ） (2024-11-26T23:28:54Z)
• Leveraging Label Semantics and Meta-Label Refinement for Multi-Label Question Classification [11.19022605804112]
  本稿では,ラベルのセマンティクスとメタラベルの精巧化を活用して,複数ラベルの質問分類を検索する新手法RR2QCを紹介する。 実験の結果,RR2QCはPrecision@KとF1スコアの既存の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-04T06:27:14Z)
• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• Channel-Wise Contrastive Learning for Learning with Noisy Labels [60.46434734808148]
  チャネルワイド・コントラッシブ・ラーニング(CWCL)を導入し,真正なラベル情報とノイズを区別する。 従来のインスタンス単位のコントラスト学習(IWCL)とは異なり、CWCLはよりニュアンスでレジリエントな特徴を真のラベルと一致させる傾向にある。 まずCWCLを用いて、クリーンにラベル付けされたサンプルを識別し、次に、これらのサンプルを段階的に微調整する。
  論文  参考訳（メタデータ） (2023-08-14T06:04:50Z)
• Multi-Label Knowledge Distillation [86.03990467785312]
  本稿では,新しい多ラベル知識蒸留法を提案する。 一方、マルチラベル学習問題をバイナリ分類問題に分割することにより、ロジットからの情報的意味知識を利用する。 一方,ラベルワイド埋め込みの構造情報を活用することにより,学習した特徴表現の識別性を向上する。
  論文  参考訳（メタデータ） (2023-08-12T03:19:08Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)
• Adversarial Knowledge Transfer from Unlabeled Data [62.97253639100014]
  本稿では,インターネット規模の未ラベルデータから知識を伝達し,分類器の性能を向上させるための新しいAdversarial Knowledge Transferフレームワークを提案する。 我々の手法の重要な新しい側面は、ラベル付けされていないソースデータは、ラベル付けされたターゲットデータと異なるクラスであることができ、個別のプリテキストタスクを定義する必要がないことである。
  論文  参考訳（メタデータ） (2020-08-13T08:04:27Z)

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。