Open-set learning with augmented category by exploiting unlabeled data (Open-LACU)

要約

タイトル：未ラベルデータを活用した拡張カテゴリによるオープンセット学習（Open-LACU）

要約：

– セミスーパーバイズド学習（SSL）とオープンセット認識（OSR）を1つのトレーニングポリシーで統合する試みが行われているが、こうした試みは、未ラベルのトレーニングセットに新しいカテゴリを含めることでオープンセットの定義に違反している。
– LaCunaは、未知の新しいカテゴリをテスト時にだけ現れるOSR定義の「未知の新しいカテゴリ」と区別するため、監視された新しいカテゴリに対して背景カテゴリを、未実証の新しいカテゴリに対して不明なカテゴリを定義することで、オープンセット学習の新しいポリシーを提案している。
– Open-LACUは、新しいカテゴリ型を分離することで、ラベル付けする必要がなくなり、安全な分類が保証されるため、コスト効率の高いトレーニングを促進します。
– 最後に、この新しいアプリに最適なラーニング定義に対して統合されたアプローチを提供します。

要約(オリジナル)

Several efforts have been made to synthesize semi-supervised learning (SSL) and open set recognition (OSR) within a single training policy. However, each attempt violated the definition of an open set by incorporating novel categories within the unlabeled training set. Although such \textit{observed} novel categories are undoubtedly prevalent in application-grade datasets, they should not be conflated with the OSR-defined \textit{unobserved} novel categories, which only emerge during testing. This study proposes a new learning policy wherein classifiers generalize between observed and unobserved novel categories. Specifically, our open-set learning with augmented category by exploiting unlabeled data (Open-LACU) policy defines a background category for observed novel categories and an unknown category for unobserved novel categories. By separating these novel category types, Open-LACU promotes cost-efficient training by eliminating the need to label every category and ensures safe classification by completely separating unobserved novel categories that appear over time. Finally, we present a unified approach to establish benchmark results for this emerging and more application-grade learning policy.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI