文献

J-GLOBAL ID：202202278893786693   整理番号：22A1117390

競合学習グラフニューラルネットワークによる部分的ラベル学習【JST・京大機械翻訳】

Partial Label Learning with competitive learning graph neural network

著者 (3件)： Fan Jinfu (Department of Control Science and Engineering, Tongji University, Shanghai 201804, China) ,  Yu Yang (Department of Control Science and Engineering, Tongji University, Shanghai 201804, China) ,  Wang Zhongjie (Department of Control Science and Engineering, Tongji University, Shanghai 201804, China)
資料名： Engineering Applications of Artificial Intelligence  (Engineering Applications of Artificial Intelligence)
巻： 111  ページ： Null  発行年： 2022年 
JST資料番号： T0797A  ISSN： 0952-1976  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 部分ラベル学習(PLL)は弱い教師つき学習フレームワークであり,そこでは各インスタンスが1つ以上の候補ラベルと関連する可能性があり,その中ではただ1つだけである。伝統的に,PLL問題はインスタンス関係に基づく偽候補ラベルを除去することによって解決され,一方,潜在的候補ラベル関係と同様にインスタンスとラベルの間の潜在的に有用な情報は無視される。本論文では,雑音として誤りラベルを用いてインスタンスを処理する新しいPLLフレームワークPL-CGNNを提案し,PLLは雑音インスタンスを除去するために再定式化した。最初に,各ラベルクラスの特徴を,すべての関連インスタンスの中心点によって近似的に表現した。有意な操作は,インスタンスとラベル測定間の類似性を可能にする。次に,各インスタンスに対する全ての候補ラベルは,最大の類似性に対して競合する。モデルのロバスト性をさらに改善するために,最も類似したラベルに対する競争手順を,この事例の近傍に拡張した。最も多くのwinsを有するラベルは,最終のグランドトルースである。候補ラベル間の関係は競争プロセスが発展する状況をガイドする。反復競合学習を通して,各ラベルクラスは真の値に近づいた。多様なデータセットで行った実験は,PL-CGNNモデルの性能が顕著であることを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 雑音 ,  騒音 ,  *学習 ,  *ニューラルネットワーク ,  近似法 ,  教師つき学習 ,  モデル ,  類似性 ,  定式化 ,  ロバスト性 ,  *競合学習
準シソーラス用語： グランドトゥルース , 【Automatic Indexing@JST】

著者キーワード (4件)： 部分ラベル学習 ,  騒音インスタンス ,  競争学習 ,  グラフニューラルネットワーク

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 競合学習 ,  グラフニューラルネットワーク ,  ラベル ,  学習