اکسپرس 24
ترجمه فارسی مقاله یادگیری از برچسب‌های نویزی برای داده‌های دنباله‌دار از طریق انتقال بهینه

ترجمه فارسی مقاله یادگیری از برچسب‌های نویزی برای داده‌های دنباله‌دار از طریق انتقال بهینه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Learning from Noisy Labels for Long-tailed Data via Optimal Transport
عنوان مقاله به فارسی یادگیری از برچسب‌های نویزی برای داده‌های دنباله‌دار از طریق انتقال بهینه
نویسندگان Mengting Li, Chuang Zhu
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 7 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 7 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 600,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Noisy labels, which are common in real-world datasets, can significantly impair the training of deep learning models. However, recent adversarial noise-combating methods overlook the long-tailed distribution of real data, which can significantly harm the effect of denoising strategies. Meanwhile, the mismanagement of noisy labels further compromises the model's ability to handle long-tailed data. To tackle this issue, we propose a novel approach to manage data characterized by both long-tailed distributions and noisy labels. First, we introduce a loss-distance cross-selection module, which integrates class predictions and feature distributions to filter clean samples, effectively addressing uncertainties introduced by noisy labels and long-tailed distributions. Subsequently, we employ optimal transport strategies to generate pseudo-labels for the noise set in a semi-supervised training manner, enhancing pseudo-label quality while mitigating the effects of sample scarcity caused by the long-tailed distribution. We conduct experiments on both synthetic and real-world datasets, and the comprehensive experimental results demonstrate that our method surpasses current state-of-the-art methods. Our code will be available in the future.

چکیده به فارسی (ترجمه ماشینی)

برچسب های پر سر و صدا ، که در مجموعه داده های دنیای واقعی رایج هستند ، می توانند آموزش مدلهای یادگیری عمیق را به میزان قابل توجهی مختل کنند.با این حال ، روشهای اخیر در مورد سر و صدای مخالف از توزیع طولانی مدت داده های واقعی غافل می شوند ، که می تواند به تأثیر استراتژی های دفع آن آسیب برساند.در همین حال ، سوء مدیریت برچسب های پر سر و صدا بیشتر توانایی مدل را برای رسیدگی به داده های دم بلند به خطر می اندازد.برای مقابله با این مسئله ، ما یک رویکرد جدید برای مدیریت داده های مشخص شده توسط توزیع های دم بلند و برچسب های پر سر و صدا پیشنهاد می کنیم.اول ، ما یک ماژول انتخابی متقابل از دست رفته را معرفی می کنیم ، که پیش بینی های کلاس و توزیع ویژگی ها را برای فیلتر کردن نمونه های تمیز ادغام می کند ، به طور مؤثر به عدم قطعیت های معرفی شده توسط برچسب های پر سر و صدا و توزیع های طولانی مدت می پردازد.پس از آن ، ما از استراتژی های حمل و نقل بهینه برای تولید برچسب های شبه برای سر و صدای تنظیم شده به روش آموزش نیمه تحت نظارت استفاده می کنیم و در حالی که باعث کاهش اثرات کمبود نمونه ناشی از توزیع دم بلند می شود ، کیفیت شبه برچسب را افزایش می دهد.ما آزمایشاتی را در هر دو مجموعه داده مصنوعی و در دنیای واقعی انجام می دهیم ، و نتایج جامع تجربی نشان می دهد که روش ما از روشهای پیشرفته فعلی پیشی می گیرد.کد ما در آینده در دسترس خواهد بود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.