Contrastive Label Enhancement

要約

ラベル分布学習 (LDL) は、ラベルの曖昧さを解決するための新しい機械学習パラダイムです。
ラベル分布を直接取得することは難しいため、ラベル拡張 (LE) と呼ばれる、論理ラベルからラベル分布を回復する方法に多くの研究が焦点を当てています。
既存の LE 手法は、論理ラベルの監視下で、特徴とラベル分布の間のマッピング関係を単純に構築することによってラベル分布を推定します。
彼らは通常、機能と論理ラベルの両方が異なるビューからのインスタンスの説明であるという事実を見落とします。
そこで、特徴量と論理ラベルを統合投影空間に統合し、対照学習戦略によって高レベルの特徴量を生成する、Contrastive Label Enhancement（ConLE）と呼ばれる新しい方法を提案します。
このアプローチでは、同じサンプルに属するフィーチャと論理ラベルが近づけられ、異なるサンプルのフィーチャと論理ラベルは投影空間内で互いに遠くに投影されます。
その後、取得した高レベルの特徴を活用して、ラベル属性の一貫性を考慮した適切に設計されたトレーニング戦略を通じてラベルの分布を取得します。
LDL ベンチマーク データセットに関する広範な実験により、私たちの手法の有効性と優位性が実証されました。

要約(オリジナル)

Label distribution learning (LDL) is a new machine learning paradigm for solving label ambiguity. Since it is difficult to directly obtain label distributions, many studies are focusing on how to recover label distributions from logical labels, dubbed label enhancement (LE). Existing LE methods estimate label distributions by simply building a mapping relationship between features and label distributions under the supervision of logical labels. They typically overlook the fact that both features and logical labels are descriptions of the instance from different views. Therefore, we propose a novel method called Contrastive Label Enhancement (ConLE) which integrates features and logical labels into the unified projection space to generate high-level features by contrastive learning strategy. In this approach, features and logical labels belonging to the same sample are pulled closer, while those of different samples are projected farther away from each other in the projection space. Subsequently, we leverage the obtained high-level features to gain label distributions through a welldesigned training strategy that considers the consistency of label attributes. Extensive experiments on LDL benchmark datasets demonstrate the effectiveness and superiority of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google