Unified machine learning: Open-set learning with augmented category by exploiting unlabelled data (Open-LACU)

要約

半教師あり学習 (SSL) とオープンセット認識を単一の学習ポリシーに統合すると、コスト効率の高いアプリケーション グレードの分類器の開発が促進されます。
ただし、これまでの試みでは、観察されていない新規カテゴリー (テスト中にのみ見られるカテゴリー) と観察された新規カテゴリー (ラベルのないトレーニング データに存在するカテゴリー) の違いは明確になっていません。
この研究では、両方の新しいカテゴリ タイプを一般化する最初のポリシーである、ラベルなしデータの活用による拡張カテゴリによるオープンセット学習 (Open-LACU) を紹介します。
私たちは、マージン生成敵対的ネットワーク (マージン-GAN) の最先端の OSR 手法をいくつかの Open-LACU 構成に適応させ、Open-LACU のベンチマークを設定し、マージン GAN を使用した新規性検出に関する独自の洞察を提供します。
最後に、リモートセンシングにおけるセマンティックセグメンテーションの応用、放射線医学における物体検出、および咳分析による疾患の特定について議論することにより、Open-LACU ポリシーの重要性を強調します。
これらのアプリケーションには、観測された新規カテゴリと観測されていない新規カテゴリが含まれるため、これらのビッグ データ ドメインで分類器をトレーニングするために Open-LACU が不可欠になります。

要約(オリジナル)

Unifying semi-supervised learning (SSL) and open-set recognition into a single learning policy would facilitate the development of cost-efficient and application-grade classifiers. However, previous attempts do not clarify the difference between unobserved novel categories (those only seen during testing) and observed novel categories (those present in unlabelled training data). This study introduces Open-Set Learning with Augmented Category by Exploiting Unlabelled Data (Open-LACU), the first policy that generalises between both novel category types. We adapt the state-of-the-art OSR method of Margin Generative Adversarial Networks (Margin-GANs) into several Open-LACU configurations, setting the benchmarks for Open-LACU and offering unique insights into novelty detection using Margin-GANs. Finally, we highlight the significance of the Open-LACU policy by discussing the applications of semantic segmentation in remote sensing, object detection in radiology and disease identification through cough analysis. These applications include observed and unobserved novel categories, making Open-LACU essential for training classifiers in these big data domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google