抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
部分ラベル学習(PLL)は,各訓練事例を粗い候補集合でラベル付けすることを可能にする重要な問題であり,ラベル曖昧性を持つ多くの実世界データアノテーションシナリオによく合致する。有望性にもかかわらず,PLLの性能は,しばしば監督された対応物の背後に遅れる。本研究では,1つのコヒーレントフレームワークにおいて,PLL-表現学習とラベル解消における2つの重要な研究課題に対処することにより,ギャップを埋める。特に,提案したフレームワークPiCOは,新しいクラスプロトタイプベースのラベル解消アルゴリズムとともに,コントラスト学習モジュールから成る。PiCOは,同じクラスからの用例のために密接に整列された表現を生み出して,ラベル解消を容易にする。理論的には,これらの2つの成分が相互に有益であり,期待値最大化(EM)アルゴリズムの観点から厳密に正当化できることを示した。さらに,筆者らは,グランドトルースが候補セットに含まれないかもしれない,挑戦的な,実用的なノイズのある部分ラベル学習セットアップを研究した。この問題を改善するために,距離ベースクリーンサンプル選択を実行し,半教師つきコントラスト学習アルゴリズムによりロバスト分類器を学習する拡張PiCO+を提案した。広範な実験は,提案手法が標準および雑音のあるPLLタスクにおける現在の最先端手法よりも性能的に優れ,完全に教師つき学習に対して同等の結果を達成することを示した。【JST・京大機械翻訳】