論文の概要: Improved Algorithm for Deep Active Learning under Imbalance via Optimal Separation

• arxiv url: http://arxiv.org/abs/2312.09196v4
• Date: Thu, 12 Jun 2025 07:17:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:21.9665
• Title: Improved Algorithm for Deep Active Learning under Imbalance via Optimal Separation
• Title（参考訳）: 最適分離による不均衡下での深層能動学習アルゴリズムの改良
• Authors: Shyam Nuggehalli, Jifan Zhang, Lalit Jain, Robert Nowak,
• Abstract要約: クラス不均衡は、機械学習のパフォーマンスが現実世界のアプリケーションにおけるマイノリティクラスに深刻な影響を与える。 DIRECTは,クラス分離境界を識別し,アノテーションの最も不確実な例を選択するアルゴリズムである。 本研究は,クラス不均衡とラベルノイズの両条件下でのアクティブラーニングの総合的研究である。
• 参考スコア（独自算出の注目度）: 15.571923343398657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Class imbalance severely impacts machine learning performance on minority classes in real-world applications. While various solutions exist, active learning offers a fundamental fix by strategically collecting balanced, informative labeled examples from abundant unlabeled data. We introduce DIRECT, an algorithm that identifies class separation boundaries and selects the most uncertain nearby examples for annotation. By reducing the problem to one-dimensional active learning, DIRECT leverages established theory to handle batch labeling and label noise -- another common challenge in data annotation that particularly affects active learning methods. Our work presents the first comprehensive study of active learning under both class imbalance and label noise. Extensive experiments on imbalanced datasets show DIRECT reduces annotation costs by over 60\% compared to state-of-the-art active learning methods and over 80\% versus random sampling, while maintaining robustness to label noise.
• Abstract（参考訳）: クラス不均衡は、機械学習のパフォーマンスが現実世界のアプリケーションにおけるマイノリティクラスに深刻な影響を与える。 様々なソリューションが存在するが、アクティブラーニングは、豊富なラベル付きデータから、バランスのとれた情報付きラベル付き例を戦略的に収集することで、根本的な修正を提供する。 DIRECTは,クラス分離境界を識別し,アノテーションの最も不確実な例を選択するアルゴリズムである。 問題を1次元のアクティブラーニングに還元することで、DIRECTは確立した理論を利用してバッチラベリングとラベルノイズを処理する。 本研究は,クラス不均衡とラベルノイズの両条件下でのアクティブラーニングの総合的研究である。 不均衡データセットに対する大規模な実験により、DIRECTは、最先端のアクティブラーニング手法と比較してアノテーションコストを60%以上削減し、80%以上をランダムサンプリングと比較し、ラベルノイズに対するロバスト性を維持している。

関連論文リスト

• Correcting Noisy Multilabel Predictions: Modeling Label Noise through Latent Space Shifts [4.795811957412855]
  ほとんどの現実世界の機械学習アプリケーションでは、データのノイズは避けられないように思える。 マルチラベル分類における雑音ラベル学習の分野について検討した。 我々のモデルは、雑音のラベル付けは潜伏変数の変化から生じると仮定し、より堅牢で有益な学習手段を提供する。
  論文  参考訳（メタデータ） (2025-02-20T05:41:52Z)
• Multiclass Learning from Noisy Labels for Non-decomposable Performance Measures [15.358504449550013]
  非分解性性能尺度の2つのクラスに対して雑音ラベルから学習するアルゴリズムを設計する。 どちらの場合も、広範に研究されているクラス条件雑音モデルの下で、アルゴリズムのノイズ補正バージョンを開発する。 実験では,ラベルノイズ処理におけるアルゴリズムの有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-01T23:03:53Z)
• Robust Assignment of Labels for Active Learning with Sparse and Noisy Annotations [0.17188280334580192]
  監視された分類アルゴリズムは、世界中の多くの現実の問題を解決するために使用される。 残念なことに、多くのタスクに対して良質なアノテーションを取得することは、実際に行うには不可能か、あるいはコストがかかりすぎます。 サンプル空間のラベルのない部分を利用する2つの新しいアノテーション統一アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-25T19:40:41Z)
• Unleashing the Potential of Regularization Strategies in Learning with Noisy Labels [65.92994348757743]
  クロスエントロピー損失を用いた単純なベースラインと、広く使われている正規化戦略を組み合わせることで、最先端の手法より優れていることを示す。 この結果から,正規化戦略の組み合わせは,ノイズラベルを用いた学習の課題に対処する上で,複雑なアルゴリズムよりも効果的であることが示唆された。
  論文  参考訳（メタデータ） (2023-07-11T05:58:20Z)
• Co-Learning Meets Stitch-Up for Noisy Multi-label Visual Recognition [70.00984078351927]
  本稿では,多ラベル分類と長期学習の特徴に基づく雑音の低減に焦点をあてる。 よりクリーンなサンプルを合成し,マルチラベルノイズを直接低減するStitch-Up拡張を提案する。 ヘテロジニアス・コラーニング・フレームワークは、長い尾の分布とバランスの取れた分布の不整合を活用するためにさらに設計されている。
  論文  参考訳（メタデータ） (2023-07-03T09:20:28Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Robust Long-Tailed Learning under Label Noise [50.00837134041317]
  本研究では,長期ラベル分布におけるラベルノイズ問題について検討する。 本稿では,長期学習のための雑音検出を実現する頑健なフレームワークAlgoを提案する。 我々のフレームワークは、半教師付き学習アルゴリズムを自然に活用して一般化をさらに改善することができる。
  論文  参考訳（メタデータ） (2021-08-26T03:45:00Z)
• Learning From Long-Tailed Data With Noisy Labels [0.0]
  クラス不均衡とノイズラベルは多くの大規模分類データセットの標準である。 本稿では,近年の自己教師型学習の進歩をもとに,簡単な2段階のアプローチを提案する。 自己指導型学習アプローチは,重度のクラス不均衡に効果的に対処できることが判明した。
  論文  参考訳（メタデータ） (2021-08-25T07:45:40Z)
• Open-set Label Noise Can Improve Robustness Against Inherent Label Noise [27.885927200376386]
  オープンセットノイズラベルは非毒性であり, 固有ノイズラベルに対するロバスト性にも寄与することを示した。 本研究では,動的雑音ラベル(ODNL)を用いたオープンセットサンプルをトレーニングに導入することで,シンプルかつ効果的な正規化を提案する。
  論文  参考訳（メタデータ） (2021-06-21T07:15:50Z)
• A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
  ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。 人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
  論文  参考訳（メタデータ） (2020-12-22T06:36:58Z)
• Efficient PAC Learning from the Crowd with Pairwise Comparison [7.594050968868919]
  PAC学習しきい値関数の問題を,アノテータが(騒々しい)ラベルやペア比較タグを付与できる群から検討する。 我々は、学習とアノテーションをインターリーブするラベル効率のアルゴリズムを設計し、アルゴリズムの一定のオーバーヘッドをもたらす。
  論文  参考訳（メタデータ） (2020-11-02T16:37:55Z)
• Active Learning under Label Shift [80.65643075952639]
  重要度とクラスバランスサンプリングのトレードオフを取り入れた「メディカル分布」を導入する。 ラベルシフト(MALLS)下でのメディア型アクティブラーニングの複雑さと一般化保証を実証する。 我々は、MALLSスケールを高次元データセットに実証的に示し、深層学習タスクにおいて、アクティブラーニングのサンプル複雑性を60%削減することができる。
  論文  参考訳（メタデータ） (2020-07-16T17:30:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。