論文の概要: Fuzzy Label: From Concept to Its Application in Label Learning

• arxiv url: http://arxiv.org/abs/2511.07165v1
• Date: Mon, 10 Nov 2025 14:58:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.311238
• Title: Fuzzy Label: From Concept to Its Application in Label Learning
• Title（参考訳）: Fuzzy Label:概念からラベル学習への応用へ
• Authors: Chenxi Luoa, Zhuangzhuang Zhaoa, Zhaohong Denga, Te Zhangb,
• Abstract要約: 本稿では,ファジィ集合論に基づくファジィラベルの概念を導入し,ラベルの不確かさをよりよく捉え,表現する。 本稿では, ファジィラベルをマイニングし, 生成するファジィラベリング手法を提案する。 我々は,古典的K-Nearest Neighbors (KNN) とマルチラベルKNNアルゴリズムを具体例として,単一ラベル学習と多ラベル学習のファジィラベル強化アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Label learning is a fundamental task in machine learning that aims to construct intelligent models using labeled data, encompassing traditional single-label and multi-label classification models. Traditional methods typically rely on logical labels, such as binary indicators (e.g., "yes/no") that specify whether an instance belongs to a given category. However, in practical applications, label annotations often involve significant uncertainty due to factors such as data noise, inherent ambiguity in the observed entities, and the subjectivity of human annotators. Therefore, representing labels using simplistic binary logic can obscure valuable information and limit the expressiveness of label learning models. To overcome this limitation, this paper introduces the concept of fuzzy labels, grounded in fuzzy set theory, to better capture and represent label uncertainty. We further propose an efficient fuzzy labeling method that mines and generates fuzzy labels from the original data, thereby enriching the label space with more informative and nuanced representations. Based on this foundation, we present fuzzy-label-enhanced algorithms for both single-label and multi-label learning, using the classical K-Nearest Neighbors (KNN) and multi-label KNN algorithms as illustrative examples. Experimental results indicate that fuzzy labels can more effectively characterize the real-world labeling information and significantly enhance the performance of label learning models.
• Abstract（参考訳）: ラベル学習は、従来のシングルラベルとマルチラベルの分類モデルを含むラベル付きデータを使用してインテリジェントなモデルを構築することを目的とした、機械学習の基本的なタスクである。 従来のメソッドは通常、あるインスタンスが与えられたカテゴリに属しているかどうかを指定するバイナリインジケータ(例: "yes/no")のような論理ラベルに依存している。 しかし、実際的な応用においては、ラベルアノテーションは、データノイズ、観察対象の内在的な曖昧さ、人間のアノテーションの主観性などの要因により、重大な不確実性を伴うことが多い。 したがって、単純二項論理を用いたラベル表現は、貴重な情報を曖昧にし、ラベル学習モデルの表現性を制限できる。 この制限を克服するために,ファジィ集合論に基づくファジィラベルの概念を導入し,ラベルの不確かさをよりよく捉え,表現する。 さらに、元のデータからファジィラベルをマイニングし、生成する効率的なファジィラベリング手法を提案し、それによって、より情報的でニュアンスのある表現でラベル空間を豊かにする。 本研究は,従来のK-Nearest Neighbors (KNN) とマルチラベルKNNアルゴリズムを具体例として,ファジィラベル強化アルゴリズムを単一ラベル学習と多ラベル学習の両方に適用する。 実験の結果,ファジィラベルは実世界のラベル情報をより効果的に特徴付けることができ,ラベル学習モデルの性能を大幅に向上させることができることがわかった。

関連論文リスト

• Superpixelwise Low-rank Approximation based Partial Label Learning for Hyperspectral Image Classification [19.535446654147126]
  キャプチャーされたハイパースペクトル画像(HSI)シーンの十分な事前知識は、専門家や自動ラベルシステムに誤ったラベルや曖昧なラベルを提供する可能性がある。 本稿では,新しい超画素単位の低ランク近似(LRA)に基づく部分ラベル学習法,SLAPを提案する。
  論文  参考訳（メタデータ） (2024-05-27T12:26:49Z)
• Pseudo-labelling meets Label Smoothing for Noisy Partial Label Learning [8.387189407144403]
  我々は、完全注釈付きデータセットのキュレーションが高価である問題に対する効果的な学習パラダイムとして、弱い教師付き学習を動機付けている。 PLL(Partial Learning)は、各トレーニングインスタンスが候補ラベル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。 本稿では,近傍の重み付けアルゴリズムを用いて,まず画像に擬似ラベルを割り当てる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)
• Towards Imbalanced Large Scale Multi-label Classification with Partially Annotated Labels [8.977819892091]
  マルチラベル分類は、複数のクラスにインスタンスを関連付けることができる日常生活において、広く発生する問題である。 本研究では,ラベルの不均衡の問題に対処し,部分ラベルを用いたニューラルネットワークのトレーニング方法について検討する。
  論文  参考訳（メタデータ） (2023-07-31T21:50:48Z)
• Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
  imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。 我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
  論文  参考訳（メタデータ） (2023-05-22T04:50:28Z)
• Label Confusion Learning to Enhance Text Classification Models [3.0251266104313643]
  ラベル混乱モデル(lcm)はラベル間の意味的重複を捉えるためにラベル混乱を学習する。 lcmは、元のホットラベルベクトルを置き換えるより優れたラベル分布を生成することができる。 5つのテキスト分類ベンチマークデータセットの実験により、広く使われているディープラーニング分類モデルに対するLCMの有効性が明らかにされた。
  論文  参考訳（メタデータ） (2020-12-09T11:34:35Z)
• A Study on the Autoregressive and non-Autoregressive Multi-label Learning [77.11075863067131]
  本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。 したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
  論文  参考訳（メタデータ） (2020-12-03T05:41:44Z)
• Exploiting Context for Robustness to Label Noise in Active Learning [47.341705184013804]
  本稿では,どのラベルが間違っているのかをシステムがどのように識別するか,ラベルノイズの負の影響を最小限に抑えるために,マルチクラスアクティブラーニングシステムをどのように適用できるか,といった課題に対処する。 我々は、これらの関係を符号化し、ノイズラベルが利用できる場合にグラフ上の新しい信念を得るために、ラベルなしデータのグラフィカルな表現を構築した。 これはシーン分類、アクティビティ分類、文書分類の3つの異なる応用で実証されている。
  論文  参考訳（メタデータ） (2020-10-18T18:59:44Z)

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。