弱教師付き学習のためのデータ一貫性【JST・京大機械翻訳】

Arachie Chidubem; Huang Bert

プレプリント

J-GLOBAL ID：202202212486594839 整理番号：22P0286599

弱教師付き学習のためのデータ一貫性【JST・京大機械翻訳】

Data Consistency for Weakly Supervised Learning

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 (2件)： ,
資料名：
発行年： 2022年02月08日プレプリントサーバーでの情報更新日： 2022年02月08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)

多くのアプリケーションにおいて,訓練機械学習モデルは大量の人間注釈付きデータを含む。データの正確なラベルを得ることは,高価である。代わりに,弱い監視による訓練は,低コスト代替案を提供する。雑音のあるラベル,すなわち弱い信号を処理する新しい弱い監視アルゴリズムを提案し,訓練データの特徴も考慮し,訓練のための正確なラベルを生成する。提案手法は,データ表現の分類器を探索し,妥当なラベリングを見つける。このパラダイムデータを一貫した弱い監視と呼ぶ。このフレームワークの鍵となるファセットは,弱い監視からデータ例の低いか,あるいは全くカバーしないためのラベルを推定できることである。さらに,データの弱い信号と真のラベルの関節分布に関する仮定をしない。代わりに,弱い信号とデータ特徴を用いて,ラベル間のデータ整合性を強制する制約付き最適化を解いた。異なるデータセットに関する著者らの方法の経験的評価は,それがテキストと画像分類タスクの両方に関して最先端の弱い監視方法を著しく上回ることを示した。【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