Fast learning from label proportions with small bags

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F22%3A00358501" target="_blank" >RIV/68407700:21230/22:00358501 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1109/ICIP46576.2022.9897895" target="_blank" >https://doi.org/10.1109/ICIP46576.2022.9897895</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ICIP46576.2022.9897895" target="_blank" >10.1109/ICIP46576.2022.9897895</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Fast learning from label proportions with small bags

Popis výsledku v původním jazyce

In learning from label proportions (LLP), the instances are grouped into bags, and the task is to learn an instance classifier given relative class proportions in training bags. LLP is useful when obtaining individual instance labels is impossible or costly. In this work, we focus on the case of small bags, which allows to design an algorithm that explicitly considers all consistent instance label combinations. In particular, we propose an EM algorithm alternating between optimizing a general neural network instance classifier and incorporating bag-level annotations. Using two different image datasets, we experimentally compare this method with an approach based on normal approximation and two existing LLP methods. The results show that our approach converges faster to a comparable or better solution.

Název v anglickém jazyce

Fast learning from label proportions with small bags

Popis výsledku anglicky

In learning from label proportions (LLP), the instances are grouped into bags, and the task is to learn an instance classifier given relative class proportions in training bags. LLP is useful when obtaining individual instance labels is impossible or costly. In this work, we focus on the case of small bags, which allows to design an algorithm that explicitly considers all consistent instance label combinations. In particular, we propose an EM algorithm alternating between optimizing a general neural network instance classifier and incorporating bag-level annotations. Using two different image datasets, we experimentally compare this method with an approach based on normal approximation and two existing LLP methods. The results show that our approach converges faster to a comparable or better solution.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2022 IEEE International Conference on Image Processing (ICIP)

ISBN

978-1-6654-9620-9

ISSN

1522-4880

e-ISSN

2381-8549

Počet stran výsledku

5

Strana od-do

3156-3160

Název nakladatele

IEEE

Místo vydání

Piscataway, NJ

Místo konání akce

Bordeaux

Datum konání akce

16. 10. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—