論文の概要: Arbor: When Labels Are Not Coarsened at Random
- arxiv url: http://arxiv.org/abs/2611.15311v1
- Date: Wed, 11 Nov 2026 10:45:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.105856
- Title: Arbor: When Labels Are Not Coarsened at Random
- Title(参考訳): Arbor: ラベルがランダムに粗末でない場合
- Abstract要約: ラベルの粗さをモデル化するArborを提案する。
新規クラスを持つ各スーパークラスにおいて、Arborは仮想ノベルクラスを追加し、ロジスティックゲートは、スーパークラスの確率を既知のクラスと区別する。
本研究は, 校正学習のエルカン・ノト校正と, 校正後の校正の訓練により, 校正後の校正が向上することを証明する。
- 参考スコア(独自算出の注目度): 0.8078491757252692
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Merging datasets labelled at different levels of a taxonomy leaves some images with only a coarse label, and some classes with no fine-grained label at all. Standard training scores a coarse label by the total probability of the classes under it. Coarse labels name superclasses, and the standard objective is exact only when every class within a superclass is equally likely to receive a coarse label. We call a class novel if it is never labelled finely, and known otherwise. A novel class violates the assumption, and the classifier assigns its images to a known sibling. We propose Arbor, which models how labels become coarse. In each superclass with a novel class, Arbor adds a virtual novel class, and a logistic gate divides the superclass's probability between it and the known classes. The gate is trained with the likelihood of the observed labels under this model, the coarsening likelihood. We prove that at its population optimum the gate equals the Elkan-Noto correction of positive-unlabelled learning, and show that training the correction into the classifier improves on applying it after training. Across Cars, CUB and Aircraft with 90% coarse labels, Arbor correctly assigns 76-85% of novel-class images to their superclass, more than hierarchical classifiers, hierarchical novelty detection and the Elkan-Noto correction. Its top-1 accuracy over the leaf classes on known-class images is within 1.6 points of the best baseline, although its final predictions return the superclass more often. On the more challenging iNaturalist-2019 benchmark, Arbor improves novel-class accuracy from 46% (uniform target, the strongest baseline) to 68%.
- Abstract(参考訳): 分類学の異なるレベルでラベル付けされたデータセットのマージは、粗いラベルのみのイメージと、きめ細かいラベルのないクラスを残します。
標準トレーニングは、その下のクラスの総確率によって粗いラベルをスコア付けする。
粗いラベルはスーパークラスの名前であり、標準の目的は、スーパークラス内のすべてのクラスが粗いラベルを受け取る可能性が高い場合にのみ正確である。
クラス・ノベル(class novel)とは、クラス・ノベル(クラス・ノベル)を、クラス・ノベル(クラス・ノベル)と呼ぶ。
新しいクラスが仮定に違反し、分類器がその画像を既知の兄弟に割り当てる。
ラベルの粗さをモデル化するArborを提案する。
新規クラスを持つ各スーパークラスにおいて、Arborは仮想ノベルクラスを追加し、ロジスティックゲートは、スーパークラスの確率を既知のクラスと区別する。
ゲートは、このモデルの下で観測されたラベルの可能性、粗い可能性で訓練される。
本研究は, 校正学習のエルカン・ノト校正と, 校正後の校正の訓練により, 校正後の校正が向上することを証明する。
カーズ、CUB、エアクラフトに90%の粗いラベルがあり、アーバーは76~85%の新規クラスの画像を彼らのスーパークラスに正しく割り当てている。
既知のクラス画像上の葉のクラスに対するトップ1の精度は、最高のベースラインの1.6ポイント以内であるが、最終的な予測はスーパークラスをより頻繁に返す。
より挑戦的なiNaturalist-2019ベンチマークでは、Arborは新規クラスの精度を46%(ユニフォームターゲット、最強ベースライン)から68%に改善した。
関連論文リスト
- Beyond Flat Labels: Level-Restricted Contrastive Learning for Hierarchical Fine-Grained Vision Classification [50.20892407648858]
マルチモーダルコントラスト学習は、画像とテキストカテゴリを整列させることで、ゼロショットの視覚的分類を可能にした。
既存の手法は、しばしば分類学レベルで矛盾する予測を生成する。
本稿では,各分類レベルが適切な最適化を受けることを保証するグループバランス設計を提案する。
我々は、BioCLIPに基づいてTreeOfLife-10Mでモデルをトレーニングし、複数の階層分類ベンチマークで評価する。
論文 参考訳(メタデータ) (2026-06-20T02:12:05Z) - Harnessing Superclasses for Learning from Hierarchical Databases [1.835004446596942]
多くの大規模分類問題において、クラスは既知の階層に整理され、通常木として表される。
この種の教師付き階層分類の損失について紹介する。
提案手法では,クロスエントロピーの損失に比較して,計算コストの大幅な増大は伴わない。
論文 参考訳(メタデータ) (2024-11-25T14:39:52Z) - Active Generalized Category Discovery [60.69060965936214]
GCD(Generalized Category Discovery)は、新しいクラスと古いクラスの未ラベルのサンプルをクラスタ化するための取り組みである。
我々は,能動的学習の精神を取り入れて,能動的一般化カテゴリー発見(AGCD)という新たな設定を提案する。
提案手法は, 汎用および微粒なデータセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2024-03-07T07:12:24Z) - Combining Metric Learning and Attention Heads For Accurate and Efficient
Multilabel Image Classification [0.0]
マルチラベル分類における2つの一般的なアプローチについて再検討する。
トランスフォーマーベースヘッドはグラフベースのブランチよりも優れた結果が得られると考えられるが、適切なトレーニング戦略により、グラフベースの手法はわずかに精度の低下を示すことができると論じる。
論文 参考訳(メタデータ) (2022-09-14T12:06:47Z) - On Non-Random Missing Labels in Semi-Supervised Learning [114.62655062520425]
Semi-Supervised Learning (SSL)は基本的にラベルの問題である。
SSL に "class" を明示的に組み込んでいます。
提案手法は,既存のベースラインを著しく上回るだけでなく,他のラベルバイアス除去SSL法を上回ります。
論文 参考訳(メタデータ) (2022-06-29T22:01:29Z) - Instance-based Label Smoothing For Better Calibrated Classification
Networks [3.388509725285237]
ラベルの平滑化はディープニューラルネットワークで多クラス分類に広く利用されている。
ラベルのスムース化と自己蒸留の両方からインスピレーションを得ます。
本稿では2つの新しいインスタンスベースのラベル平滑化手法を提案する。
論文 参考訳(メタデータ) (2021-10-11T15:33:23Z) - Modified our paper "CME" [1.52292571922932]
本論文は著者によって誤りにより修正されている。
毎週のNewsquizを使って、CNN.comで見たストーリーの知識をテストする。
論文 参考訳(メタデータ) (2021-03-08T09:04:03Z) - Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。
粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
論文 参考訳(メタデータ) (2020-11-25T19:06:26Z) - No Subclass Left Behind: Fine-Grained Robustness in Coarse-Grained
Classification Problems [20.253644336965042]
実世界の分類タスクでは、各クラスは、しばしば複数のよりきめ細かい「サブクラス」を含む。
サブクラスラベルは頻繁に利用できないため、粗粒度のクラスラベルのみを使用してトレーニングされたモデルは、異なるサブクラス間で高い可変性能を示すことが多い。
本稿では,サブクラスラベルが不明な場合でも,隠れ層化を計測・緩和するGEORGEを提案する。
論文 参考訳(メタデータ) (2020-11-25T18:50:32Z) - Multi-label Zero-shot Classification by Learning to Transfer from
External Knowledge [36.04579549557464]
マルチラベルゼロショット分類は、入力画像に対する複数の未知のクラスラベルを予測することを目的としている。
本稿では,外部知識の伝達を学習することで,新たなゼロショット分類フレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-30T17:26:46Z) - Multi-Class Classification from Noisy-Similarity-Labeled Data [98.13491369929798]
雑音に類似したラベル付きデータのみから学習する方法を提案する。
ノイズ遷移行列を用いて、クリーンデータとノイズデータの間にクラス後確率をブリッジする。
雑音のないクラスラベルをインスタンスに割り当てる新しい学習システムを構築した。
論文 参考訳(メタデータ) (2020-02-16T05:10:21Z)
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。