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。
注釈データセットは,今日の教師つき学習における主要なコストの1つである。弱い監視の目標は,部分ラベリングとして収集するのに安い,ラベリングの形式のみを用いて学習するモデルを可能にすることである。これは,各データポイントに対して,監視が実際のものを含むラベルの集合としてキャストされる不完全アノテーションの型である。部分ラベリングによる教師つき学習の問題は,分類,マルチラベル,ランキングまたはセグメンテーションのような特定のインスタンスのために研究されてきたが,一般的フレームワークはまだ欠落している。本論文では,構造化予測に基づく統一フレームワークと,広範囲の学習問題と損失関数上の部分ラベリングを扱うための不感損失の概念を提供した。このフレームワークは,容易に実装できる明示的アルゴリズムに自然に導き,そのために統計的一貫性と学習速度を証明した。実験により,通常用いられる基準線よりも提案アプローチの優位性を確認した。【JST・京大機械翻訳】