关键词learning from label proportions
搜索结果 - 12
- MM从标签比例中学习的乐观速率
弱监督学习问题中的主题是来自标签比例的学习,研究了多种实现分类损失的标准,包括经典的实证比例风险最小化、去偏差的比例平方损失和最近提出的 EasyLLP 学习规则,这些规则在可实现和不可知设置中均取得了 “乐观速率”,并且在样本复杂度上接近 - FRACTAL:基于文本标签的细粒度评分
我们介绍了一种将响应级别标签细分为句子级别(伪)标签的方法,该方法利用多实例学习(MIL)和学习标签比例(LLP)技术以及先前信息训练专用模型进行句子级别评分,并利用模型预测对训练集进行伪标签,以进一步提高性能。我们在六个数据集和四个任务上 - 从标签比例学习布尔函数的难度
学习标签比例 (LLP) 框架在机器学习中日益重要。该研究关注 LLP 学习布尔函数的不可计算性,发现寻找满足 OR 函数一部分常数比例的子集 (包) 的恒定个子句的 CNF 是 NP 困难问题,同时探讨了学习偶函数的可行性,发现利用随机偶 - 评估 LLP 方法:挑战与方法
学习标签比例(LLP)是一个机器学习问题,有许多现实应用。本文提出了解决 LLP 中的若干问题的方法,包括生成各种依赖结构和包特征的特定变体数据集,模型选择和评估步骤的准则,以及对一组知名 LLP 算法的广泛基准测试结果。
- LLP-Bench:一种用于从标签比例学习的大规模表格基准
该研究论文介绍了学习标签比例(LLP)任务,提出了一个包含大规模表格 LLP 基准数据集(LLP-Bench),并在该数据集上评估了 9 种先进的和流行的表格 LLP 技术的性能。
- 从标签比例中 PAC 学习线性阈值
基于标签比例(LLP)的学习是一种监督学习的推广,通过一些包含特征向量集合或袋子(实例),以及每个袋子的平均实例标签来提供训练数据,目标是训练一个良好的实例分类器。在本文中,我们展示了使用 LTFs 能够在给定某些具有一定标签比例的随机袋子 - 通过信念传播引导超级学习者的标签比例学习
通过学习标签比例 (LLP),我们提出了一种新的算法框架,其中迭代地执行伪标签和嵌入改进两个主要步骤,利用 Gibbs 分布和 Belief Propagation,在不牺牲计算效率的情况下,取得了标签比例学习问题上的显著改进。
- ICCVMixBag: 标签比例学习的包级数据增强
提出了一种基于袋级数据增强的学习方法 MixBag,该方法可应用于实例级数据增强技术和使用比例损失的任何学习方法,并通过实验证明了其优势和有效性。
- 卫星影像中的标签比例轻量级学习
本文旨在探讨如何使用深度学习与概率方法,基于卫星图像上的较粗标签信息,提高对细粒度标注的预测精度,并提供一套用于基准测试的数据集,以促进基于标签比例学习在地球观测领域的应用发展。
- 从标签比例中学习:一个相互污染的框架
本文以相互污染模型为基础,对标签比例学习进行了研究,提出了一种新的实验设置并首次建立了一致的学习流程。研究结果还包括非独立抽样计划下的无偏损失和泛化误差界限。
- 利用一致性正则化学习标签比例
本文提出了一种新的方法,通过引入半监督学习中的一种流行概念 - 一致性正则化,解决了标签比例学习(LLP)的问题,实现了更好的分类器表现,同时也提供了更好符合实际应用场景的非均匀背景生成和基于验证的参数选择过程。
- 学习标签比例
该文章针对基于 Label Proportions 的学习环境提出了一个新的学习框架 ——Empirical Proportion Risk Minimization,利用该学习框架可以构建更好的学习算法,在政治学、营销、医疗保健和计算机视