지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 저널정보
- Korean Institute of Information Scientists and Engineers Journal of KIISE Journal of KIISE Vol.48 No.12
- 발행연도
- 2021.12
- 수록면
- 1,343 - 1,348 (6page)
- DOI
- 10.5626/JOK.2021.48.12.1343
이용수
초록· 키워드
오류제보하기
이 논문에서는 데이터의 레이블이 매우 부족한 상황에서 데이터 증강기법과 강인 손실 함수를 사용하여 준 지도 학습을 하는 방법을 제안한다. 기존 데이터 증강기법을 사용하는 준 지도 학습 방법은 레이블이 없는 데이터를 증강하고, 그 중 신뢰도가 높은 데이터에 대해서만 현재 모델이 예측한 레이블을 원 핫 벡터로 붙여 학습에 사용한다. 그래서 신뢰도가 낮은 데이터는 사용하지 않는 문제가 있었는데, 이를 해결하기 위해 강인 손실 함수를 이용하여 신뢰도가 낮은 데이터 또한 사용하는 연구도 진행되었다. 한편, 레이블이 매우 적은 상황에서는 모델이 예측한 레이블은 신뢰도가 높더라도 부정확하다는 문제가 있다. 이 논문에서는 레이블이 매우 적은 상황에서 원 핫 벡터가 아닌 모델이 예측한 확률을 레이블로 사용함으로써 분류 모델의 성능을 높일 수 있는 방법을 제시한다. 또한 이미지 분류 문제에 대한 실험을 통하여 제시된 방법이 분류 모델의 성능을 향상시킴을 보여준다.
목차
요약
Abstract
1. 서론
2. 관련 연구
3. 문제 정의
4. 배경 이론
5. 강인 손실 함수를 사용한 FixMatch
6. 제안하는 방법
7. 실험
8. 결론
References
참고문헌 (11)
참고문헌 신청
D. Berthelot, N. Carlini, I. Goodfellow, A. Oliver, N. Papernot, and C. Raffel, "MixMatch: A Holistic Approach to Semi-Supervised Learning," NeurIPS, 2019.
Q. Xie, Z. Dai, E. Hovy, M. Luong, and Q. V. Le, "Unsupervised Data Augmentation for Consistency Training," NeurIPS, 2020.
D. Berthelot, N. Carlini, E. D. Cubuk, A. Kurakin, H. Zhang, and C. Raffel, "ReMixMatch: Semi-Supervised Learning with distribution Alignment and Augmentation Anchoring," ICLR, 2020.
K. Sohn, D. Berthelot, C. Li, Z. Zhang, N. Carlini, E. D. Cubuk, A. Kurakin, H. Zhang, and C. Raffel, "FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence," NeurIPS, 2020.
A. ghosh, H. Kumar, P. S. Sastry, "Robust loss functions under label noise for deep neural networks," AAAI, pp. 1919-1925, 2017.
Q. Xie, Z. Dai, E. Hovy, M. Luong, and Q. V. Le, "Unsupervised Data Augmentation for Consistency Training," NeurIPS, 2020.
D. Berthelot, N. Carlini, E. D. Cubuk, A. Kurakin, H. Zhang, and C. Raffel, "ReMixMatch: Semi-Supervised Learning with distribution Alignment and Augmentation Anchoring," ICLR, 2020.
K. Sohn, D. Berthelot, C. Li, Z. Zhang, N. Carlini, E. D. Cubuk, A. Kurakin, H. Zhang, and C. Raffel, "FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence," NeurIPS, 2020.
A. ghosh, H. Kumar, P. S. Sastry, "Robust loss functions under label noise for deep neural networks," AAAI, pp. 1919-1925, 2017.
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
데이터 증강과 강인 손실 함수를 이용한 준 지도 학습
한국정보과학회 학술발표논문집
2021 .06
-
제조 공정의 위험 감지를 위한 채널화 시계열 데이터 증강 및 예측 방법론
한국지능시스템학회 논문지
2022 .10
-
A Label Inference Algorithm Considering Vertex Importance in Semi-Supervised Learning
Journal of KIISE
2015 .12
-
다중 레이블 분류의 정확도 향상을 위한 스킵 연결 오토인코더 기반 레이블 임베딩 방법론
지능정보연구
2021 .09
-
다중 레이블 분류의 정확도 향상을 위한 스킵 연결 오토인코더 기반 레이블 임베딩 방법론
한국지능정보시스템학회 학술대회논문집
2021 .06
-
FedGC: Global Consistency Regularization for Federated Semi-supervised Learning
Journal of KIISE
2022 .12
-
지도학습에서 정답 레이블의 변화에 따른 성능향상에 관한 연구
한국통신학회 학술대회논문집
2017 .06
-
Data Mining for the k-Nearest Neighbors Classification Algorithm Based on a Machine Learning
한국정보통신학회 종합학술대회 논문집
2019 .10
-
자기지도 학습을 통한 제한된 레이블 데이터에서 모터 고장진단
대한기계학회 춘추학술대회
2023 .05
-
Improving Low Resource Chest X-ray Classification Accuracy by Combining Data Augmentation and Weakly Supervised Learning
Journal of KIISE
2021 .09
-
소량 레이블 데이터와 자기지도학습을 이용한 베어링 결함 진단
대한기계학회 춘추학술대회
2022 .05
-
대조 학습 기반 프로토타입 및 가우시안 혼합 모델을 이용한 노이즈 레이블 보정
전자공학회논문지
2024 .11
-
1차원 합성곱 신경망을 활용한 다중 레이블 분류
한국정보과학회 학술발표논문집
2021 .06
-
대장내시경 용종 분할을 위한 Confidence 기반의 합성 증강 기법과 사전학습을 활용한 반지도학습 방법 연구
한국지능시스템학회 논문지
2025 .04
-
수도 레이블을 활용한 준지도 학습 기반의 도로노면 파손 탐지
한국ITS학회 논문지
2019 .01
-
Learning with Noisy Labels using Sample Selection based on Language-Image Pre-trained Model
Journal of KIISE
2023 .06
-
저정밀 레이블 지도를 이용한 의미론적 영상 분할
한국통신학회논문지
2019 .09
-
S3L: 레이블 노이즈에 강건한 셀프 샘플 선택 학습 알고리즘
한국정보과학회 학술발표논문집
2021 .12
-
클래스 불균형 준 지도 학습에서 의사 레이블의 통계적 특성을 이용한 불균형 손실
한국정보과학회 학술발표논문집
2022 .12
-
레이블링 적은 상황에서 자기지도학습을 통한 동영상 감정 인식
대한산업공학회 춘계공동학술대회 논문집
2021 .06
이 논문의 저자 정보
최근 본 자료
댓글(0)
0