BASIL:クラス不均衡データ集合のための平衡アクティブ半教師つき学習【JST・京大機械翻訳】

Kothawade Suraj; Reddy Pavan Kumar; Ramakrishnan Ganesh; Iyer Rishabh

プレプリント

J-GLOBAL ID：202202200528220448 整理番号：22P0302301

BASIL:クラス不均衡データ集合のための平衡アクティブ半教師つき学習【JST・京大機械翻訳】

BASIL: Balanced Active Semi-supervised Learning for Class Imbalanced Datasets

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年03月10日プレプリントサーバーでの情報更新日： 2022年03月10日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

現在の半教師つき学習(SSL)法は,ラベル付きおよびラベルなしデータセットの両者において,各クラスに対して利用可能なデータポイントの数間のバランスを仮定している。しかし,ほとんどの実世界データセットにクラス不均衡が存在する。そのような不均衡データセットに関する訓練モデルは偏ったモデルを導き,より頻繁なクラスに向けて偏った予測を導く。この問題は,訓練中の擬似ラベル(ラベルなしデータ)を得るために,このバイアスモデルを使用するので,SSL法においてさらに顕著である。本論文では,不偏性モデルをもたらすSSLに対するバランスラベル付きデータセットの選択を試みた。残念なことに,1ショットにおけるクラス不均衡分布からバランスのとれたラベル付きデータセットを得ることは挑戦的である。アクティブ学習ループにおけるバランスデータセットを徐々に選択するために,サブモジュール型相互情報(SMI)関数を最適化する新しいアルゴリズムであるBASIL(Balanced Active Semi-SupervIsed Learning)を提案した。重要なことに,この技術はSSL法の性能を改善するために効率的に使用できる。広範囲のSSL法に対するPath-MNISTとOrgan-MNISTの医学データセットに関する著者らの実験は,Basilの有効性を示した。さらに,Basilは,SMI関数が,よりバランスの取れたデータセットを選択するので,最先端の多様性と不確実性に基づくアクティブ学習法より優れていることを観測した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能 , パターン認識

, , ,

前のページに戻る