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。
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】