Matrici di Transizione Distorte Superano il Collo di Bottiglia delle Molte Classi nell'Apprendimento con Etichette Complementari
Il recentemente introdotto framework, Bias-Induced Constrained Labeling (BICL), affronta le persistenti sfide di scalabilità nell'apprendimento con etichette complementari (CLL) per scenari multi-classe. Gli approcci CLL convenzionali si basano sulla generazione uniforme di etichette, che indebolisce i segnali di apprendimento in spazi di etichette estesi. BICL migliora l'apprendimento creando intenzionalmente un metodo di generazione distorto (non uniforme) che limita le etichette complementari a un sottoinsieme specifico di classi. Questa innovazione porta a significativi avanzamenti nelle prestazioni su CIFAR-100 e TinyImageNet-200, con un aumento di oltre sette volte dell'accuratezza. I risultati sono disponibili su arXiv.
Fatti principali
- 1. L'apprendimento con etichette complementari (CLL) è un paradigma debolmente supervisionato in cui le istanze sono etichettate con classi a cui non appartengono.
- 2. I metodi CLL sono stati competitivi principalmente nella classificazione a 10 classi.
- 3. Scalare a grandi spazi di etichette è stato un collo di bottiglia persistente.
- 4. La limitazione deriva dalla comune assunzione di generazione uniforme delle etichette.
- 5. La generazione uniforme delle etichette diluisce il segnale di apprendimento in contesti con molte classi.
- 6. BICL utilizza un processo di generazione distorto (non uniforme) che restringe le etichette complementari a un sottoinsieme di classi.
- 7. BICL ottiene un miglioramento dell'accuratezza di oltre sette volte su CIFAR-100 e TinyImageNet-200.
- 8. L'articolo è disponibile su arXiv con ID 2605.15586.
Entità
Istituzioni
- arXiv