Generating Relevant Counter-Examples from a Positive Unlabeled Dataset for Image Classification

Chiaroni, Florent; Khodabandelou, Ghazaleh; Rahal, Mohamed-Cherif; Hueber, Nicolas; Dufaux, Frédéric

doi:10.48550/arxiv.1910.01968

Cited by 1 publication

(3 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Chiaroni in sod. [1] so poudarili, da se porazdelitev primerov razlikuje med paketi (angl. batch), zaradi česar lahko stohastične tehnike optimizacije postanejo nestabilne, zlasti pri majhnih paketih.…”

Section: Sorodna Delaunclassified

“…[2] so predlagali Pozitiven-GAN (PGAN), ki temelji na originalni arhitekturi GAN. Zaradi pomanjkanja nadzora pa se ne more naučiti resnične negativne porazdelitve podatkov, kar so kasneje naslovili z metodo Divergentni-GAN (D-GAN) [1]. Ne glede na to je še vedno omejen na generiranje izključno negativnih primerov.…”

Section: Sorodna Delaunclassified

“…Zato se v zadnjem času raziskave osredotočajo na uporabo generativnih nasprotniških mrež (angl. generative adversarial networks, GAN) zaradi rasti razpoložljivih neoznačenih podatkov[7,2,1]. GANi bogatijo učne primere z umetnimi, da je na voljo večji…”

unclassified

See 2 more Smart Citations

Pozitivno in neoznačeno učenje z generativnimi nasprotniškimi mrežami

Papič¹,

Kononenko²,

Bosnić³

2021

View full text Add to dashboard Cite

Količina ustvarjenih podatkov otežuje njihovo obdelavo. V primeru nadzorovanega učenja lahko označevanje učnih primerov predstavlja dolgotrajno in drago nalogo. V dvorazrednih problemih primere označimo kot pozitivne ali negativne. V tem delu predpostavljamo, da imamo na voljo majhno število pozitivnih primerov in večje število neoznačenih primerov. Cilj generativnega pozitivnega in neoznačenega učenja je ustvariti označene primere, kar predstavlja strategijo za reševanje tega problema. Kljub temu generativni pristopi prinašajo pomanjkljivosti, kot so visoka računska zahtevnost, nestabilno učenje in nezmožnost ustvarjanja popolnoma označenih podatkovnih množic. V prispevku predlagamo nov generativni pristop, ki temelji na pomožnih klasifikacijskih generativnih nasprotniških mrežah. Nenegativno pozitivno in neoznačeno tveganje integriramo kot pomožno funkcijo izgube, da se naučimo porazdelitve pozitivnih in negativnih primerov. Na priznanem naboru podatkov za pozitivno in neoznačeno učenje prikažemo najsodobnejše rezultate. Rezultati kažejo, da naš pristop dosega primerljivo točnost z obstoječimi pristopi, kljub preprostejši arhitekturi, ima visoko učno stabilnost in generira nabor označenih podatkov.

show abstract

Section: Sorodna Delaunclassified