다중 출처 주석을 위한 분리 대조 회귀 학습

Основні поняття

다중 주석자로부터 얻은 불일치하는 주석을 효과적으로 처리하기 위해 대조 기반 회귀 학습 프레임워크를 제안한다.

Анотація

이 논문은 다중 주석자로부터 얻은 불일치하는 주석 문제를 해결하기 위한 새로운 대조 회귀 학습 프레임워크를 제안한다.
주요 내용은 다음과 같다:

주석자 간 불일치와 주석자 내 일관성을 모두 고려하기 위해 확장된 마진 순위 손실 함수를 제안한다. 이를 통해 주석자 간 불일치를 완화하고 주석자 내 일관성을 활용할 수 있다.

예측 점수의 상대적 순위가 정규 분포를 따르도록 정규화 손실 함수를 추가하여 모델 학습의 안정성을 높인다.

주석자 독립적인 표현을 학습하기 위해 역전파 층을 활용한 적대적 학습 기법을 적용한다.

실험 결과, 제안한 프레임워크가 표정 예측 및 이미지 품질 평가 과제에서 기존 방법 대비 우수한 성능을 보였다.

Статистика

다중 주석자로부터 얻은 주석 점수의 분포가 크게 다르다는 것을 확인할 수 있다.
제안한 방법이 기존 방법 대비 AFEW-AV 데이터셋에서 PRA 26.84%, SROCC 0.506, PLCC 0.519 향상되었다.
제안한 방법이 기존 방법 대비 TID2013 데이터셋에서 PRA 6.72%, SROCC 0.294, PLCC 0.289 향상되었다.

Цитати

"다중 주석자로부터 얻은 불일치하는 주석은 모델 학습에 해로운 영향을 미친다."
"제안한 대조 회귀 프레임워크는 주석자 간 불일치와 주석자 내 일관성을 모두 고려하여 강건한 표현을 학습할 수 있다."
"실험 결과, 제안한 방법이 표정 예측 및 이미지 품질 평가 과제에서 기존 방법 대비 우수한 성능을 보였다."

Ключові висновки, отримані з

Disjoint Contrastive Regression Learning for Multi-Sourced Annotations

by Xiaoqian Rua... о arxiv.org 03-13-2024

https://arxiv.org/pdf/2112.15411.pdf

Глибші Запити

다중 주석자 환경에서 주석 불일치 문제를 해결하기 위한 다른 접근 방식은 무엇이 있을까?

다중 주석자 환경에서 주석 불일치 문제를 해결하기 위한 다른 접근 방식으로는 주석자들 간의 불일치를 고려한 앙상블 방법이 있습니다. 이 방법은 각 주석자의 편향을 고려하여 모델을 학습하는 것이 목표입니다. 주석자들 간의 다양한 편향을 고려하여 각 주석자의 신뢰도를 가중치로 사용하거나, 다양한 주석자들의 예측을 결합하여 최종 예측을 수행하는 방식이 있습니다. 또한, 주석자들 간의 불일치를 모델이 자동으로 감지하고 이를 보정하는 방법도 있을 수 있습니다.

주석자 독립적인 표현 학습이 다른 도메인 적응 문제에 어떻게 활용될 수 있을까?

주석자 독립적인 표현 학습은 다른 도메인 적응 문제에 유용하게 활용될 수 있습니다. 이 방법은 모델이 특정 주석자의 편향에 영향을 받지 않고 일관된 표현을 학습하도록 도와줍니다. 이를 통해 모델이 다른 주석자들의 불일치한 주석을 무시하고 일관된 특성을 추출할 수 있게 됩니다. 주석자 독립적인 표현 학습은 모델의 일반화 성능을 향상시키고 새로운 도메인으로의 적응을 용이하게 만들어줍니다. 또한, 주석자 독립적인 표현 학습은 모델의 안정성을 향상시키고 더 강건한 특성을 학습할 수 있도록 도와줍니다.

주석자 독립적인 표현 학습이 다른 도메인 적응 문제에 어떻게 활용될 수 있을까?

주석자 독립적인 표현 학습은 다른 도메인 적응 문제에 적용될 때 모델이 특정 주석자의 편향에 영향을 받지 않고 일관된 특성을 학습할 수 있도록 도와줍니다. 이는 다른 도메인에서의 데이터 불일치나 주석자의 다양한 편향으로 인한 문제를 완화하고 모델의 일반화 성능을 향상시킬 수 있습니다. 주석자 독립적인 표현 학습은 모델이 다양한 주석자들의 주석을 효과적으로 처리하고 새로운 도메인으로의 적응을 용이하게 만들어줍니다. 따라서, 이 방법은 다양한 도메인 적응 문제에 유용하게 적용될 수 있습니다.