論文の概要: Alliance Beats Isolation: Unifying Heterogeneous Allied Datasets Improves Classifier Performance

• arxiv url: http://arxiv.org/abs/2609.19748v1
• Date: Thu, 17 Sep 2026 06:19:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.121501
• Title: Alliance Beats Isolation: Unifying Heterogeneous Allied Datasets Improves Classifier Performance
• Title（参考訳）: アライアンス:不均一なアライアンス・データセットの統合で識別性能が向上
• Abstract要約: 本稿では,特徴空間を1つの特徴空間にマージする手法を提案する。 統合表現は、あるデータセットから別のデータセットへの分類知識の移動を促進するという仮説である。
• 参考スコア（独自算出の注目度）: 0.8303571183417006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many application domains, such as student dropout, insurance fraud, loan approval, and machine failures, several labelled public datasets are available where (i) data is about the same type of objects but the set of actual underlying objects are disjoint; and (ii) the class labels are same; and (iii) the feature spaces of the datasets are largely distinct (heterogeneous), with a few shared features. We call such datasets as allied. A single classifier cannot be trained on both datasets together, and one classifier trained on one dataset cannot be tested on the other. In this paper, we propose a method to merge the feature-spaces into a single feature-space for a pair of given allied heterogeneous datasets. We then use a matrix completion method to create a unified dataset based on the merged feature-space. The hypothesis is that the merged representation facilitates the transfer of classification knowledge from one dataset to another. We conduct experiments on several pairs of allied, heterogeneous datasets and several classifiers to demonstrate that any classifier trained on the unified representation always outperforms classifiers separately trained on the constituent allied datasets on several pairs of allied datasets. This work provides an easy way to substantially improve classifier performance by unifying and using multiple allied datasets together.
• Abstract（参考訳）: 学生ドロップアウト、保険詐欺、ローン承認、機械故障など、多くのアプリケーションドメインでは、いくつかのラベル付きパブリックデータセットが利用可能である。 i) データは、同じ種類のオブジェクトに関するものですが、実際の基礎となるオブジェクトのセットは、不一致です。 (ii)クラスラベルは同じで、 (三)データセットの特徴空間は、大半が異なっており(異質)、いくつかの共通特徴がある。 このようなデータセットをアライアンスと呼んでいる。 単一の分類器を両方のデータセットで一緒にトレーニングすることはできず、一方のデータセットでトレーニングされた1つの分類器を他方でテストすることはできない。 本論文では,特徴空間を1つの特徴空間にマージする手法を提案する。 次に、行列補完法を用いて、統合された特徴空間に基づいて統一されたデータセットを作成する。 統合表現は、あるデータセットから別のデータセットへの分類知識の移動を促進するという仮説である。 我々は、複数のアライアンス・アライアンス・データセットといくつかの分類器を用いて実験を行い、統一表現で訓練された分類器が、複数のアライアンス・アライアンス・データセットで個別に訓練された分類器よりも優れていることを示す。 この作業は、複数のアライアンスデータセットをまとめて使用することで、分類器のパフォーマンスを大幅に改善する方法を提供する。

関連論文リスト

• Anno-incomplete Multi-dataset Detection [67.69438032767613]
  我々は「不完全なマルチデータセット検出」という新しい問題を提案する。 複数の注釈付きデータセットで全ての対象カテゴリを正確に検出できるエンドツーエンドのマルチタスク学習アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2024-08-29T03:58:21Z)
• Rethinking Pre-Training in Tabular Data: A Neighborhood Embedding Perspective [71.45945607871715]
  メタ表現(TabPTM)を用いたタブラルデータ事前学習を提案する。 中心となる考え方は、データインスタンスを共有機能空間に埋め込むことで、各インスタンスは、近隣の固定数とそのラベルまでの距離で表現される。 101データセットの大規模な実験は、微調整の有無にかかわらず、分類タスクと回帰タスクの両方においてTabPTMの有効性を確認した。
  論文  参考訳（メタデータ） (2023-10-31T18:03:54Z)
• Detection Hub: Unifying Object Detection Datasets via Query Adaptation on Language Embedding [137.3719377780593]
  新しいデザイン(De Detection Hubという名前)は、データセット認識とカテゴリ整列である。 データセットの不整合を緩和し、検出器が複数のデータセットをまたいで学習するための一貫性のあるガイダンスを提供する。 データセット間のカテゴリは、ワンホットなカテゴリ表現を単語埋め込みに置き換えることで、意味的に統一された空間に整列される。
  論文  参考訳（メタデータ） (2022-06-07T17:59:44Z)
• Learning Semantic Segmentation from Multiple Datasets with Label Shifts [101.24334184653355]
  本論文では,ラベル空間が異なる複数のデータセットを対象としたモデルの自動学習手法であるUniSegを提案する。 具体的には,ラベルの相反と共起を考慮に入れた2つの損失を提案する。
  論文  参考訳（メタデータ） (2022-02-28T18:55:19Z)
• Using Psuedolabels for training Sentiment Classifiers makes the model generalize better across datasets [0.0]
  パブリックな感情分類APIでは、ドメイン間のデータアノテート能力に制限のある、さまざまなタイプのデータに対してうまく機能する分類器をどうやって設定すればよいのか? 我々は、このデータセット上の異なるドメインと擬似ラベルから大量の無注釈データが与えられた場合、異なるデータセットにまたがってよりよく一般化される感情分類器を訓練できることを示した。
  論文  参考訳（メタデータ） (2021-10-05T17:47:15Z)
• DAIL: Dataset-Aware and Invariant Learning for Face Recognition [67.4903809903022]
  顔認識の性能向上のためには、通常大規模なトレーニングデータセットが必要である。 2つの大きな問題のために異なるデータセットを自然に組み合わせるのは問題で面倒です。 トレーニング中に異なるデータセットの異なるクラスと同じ人を扱うことは、バックプロパゲーションに影響します。 手動でラベルをクリーニングするには 人的努力が要る 特に何百万もの画像と何千ものIDがある時は
  論文  参考訳（メタデータ） (2021-01-14T01:59:52Z)
• Self-supervised Robust Object Detectors from Partially Labelled Datasets [3.1669406516464007]
  データセットをマージすることで、複数のオブジェクトをトレーニングする代わりに、1つの統合オブジェクト検出器をトレーニングすることができます。 本稿では,統合されたデータセットのラベルの欠落を克服するためのトレーニングフレームワークを提案する。 VOC2012 と VOC2007 を用いて,Yolo の誤り率 $approx!48%$ で,シミュレーションした統合データセット上で Yolo をトレーニングするためのフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2020-05-23T15:18:20Z)

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。