مقاله یک رویکرد یکپارچه برای یادگیری تحت نظارت ضعیف

چکیده

High-quality labels are often very scarce, whereas unlabeled data with inferred weak labels occurs more naturally. In many cases, these weak labels dictate the frequency of each respective class over a set of instances. In this paper, we develop a unified approach to learning from such weakly-labeled data, which we call count-based weakly-supervised learning. At the heart of our approach is the ability to compute the probability of exactly k out of n outputs being set to true. This computation is differentiable, exact, and efficient. Building upon the previous computation, we derive a count loss penalizing the model for deviations in its distribution from an arithmetic constraint defined over label counts. We evaluate our approach on three common weakly-supervised learning paradigms and observe that our proposed approach achieves state-of-the-art or highly competitive results across all three of the paradigms.

چکیده به فارسی (ترجمه ماشینی)

برچسب های با کیفیت بالا اغلب بسیار کمیاب هستند ، در حالی که داده های بدون برچسب با برچسب های ضعیف استنباط به طور طبیعی اتفاق می افتد.در بسیاری از موارد ، این برچسب های ضعیف فرکانس هر کلاس مربوطه را نسبت به مجموعه ای از نمونه ها دیکته می کنند.در این مقاله ، ما یک رویکرد یکپارچه برای یادگیری از چنین داده های ضعیف برچسب ، که ما آن را یادگیری ضعیف تحت نظارت است ، توسعه می دهیم.در قلب رویکرد ما توانایی محاسبه احتمال دقیق K از خروجی های N که روی آن تنظیم شده اند ، محاسبه می شود.این محاسبه متفاوت ، دقیق و کارآمد است.با تکیه بر محاسبات قبلی ، ما از دست دادن شمارش در حال مجازات مدل برای انحراف در توزیع آن از یک محدودیت حسابی تعریف شده در تعداد برچسب ها استفاده می کنیم.ما رویکرد خود را در مورد سه پارادایم های یادگیری ضعیف با نظارت ضعیف ارزیابی می کنیم و مشاهده می کنیم که رویکرد پیشنهادی ما در هر سه پارادایم به نتایج پیشرفته یا بسیار رقابتی می رسد.