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。
擬似ラベルは,ラベル付きソースデータで訓練された分類器によるラベルなしターゲットデータに関する信頼できる予測である。それらは,例えば,半教師つき学習設定において,ラベルなしデータ,例えば,モデルに適応するために広く使われている。著者らの重要な洞察は,擬似ラベルが,平衡ソースデータで訓練され,バランスしたターゲットデータで評価された場合でも,固有データ類似性により自然に不均衡であることである。グランドトルース訓練ラベルの代わりに擬似ラベルから生じるこの以前に未知の不均衡分類問題を扱うならば,擬似ラベルによって生成された偽の重大性に対するモデルバイアスを除去することができた。著者らは,偽ラベルによる新規で効果的な非バイアス学習法を提案し,前者は分類器応答バイアスを除去するが,後者は擬似ラベルの不均衡に従って各クラスのマージンを調整する。広範な実験で検証されて,著者らの単純なデバイアス学習は,画像Net-1Kで最先端の技術,0.2%の注釈による半教師つき学習のための26%,およびゼロショット学習のための9%に,顕著な精度利得を提供する。このコードはhttps://github.com/frank xwang/debiased pseudo labelingで利用可能である。【JST・京大機械翻訳】