論文の概要: Rethinking Epistemic and Aleatoric Uncertainty for Active Open-Set Annotation: An Energy-Based Approach

• arxiv url: http://arxiv.org/abs/2502.19691v2
• Date: Fri, 14 Mar 2025 11:32:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 16:13:25.753177
• Title: Rethinking Epistemic and Aleatoric Uncertainty for Active Open-Set Annotation: An Energy-Based Approach
• Title（参考訳）: 積極的オープンセットアノテーションの再検討 : エネルギーベースアプローチ
• Authors: Chen-Chen Zong, Sheng-Jun Huang,
• Abstract要約: アクティブラーニングは、オープンセットクラスの存在において重大な課題に直面している。 既存のメソッドは、既知のクラスに属する可能性のあるクエリ例を優先順位付けするか、あるいは、非常に不確実な予測を持つクラスのクエリに焦点を当てる。 本研究では,EUとAUを効果的に統合し,優れた性能を実現するための,エネルギーベースのアクティブオープンセットフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 32.80889742257346
• License:
• Abstract: Active learning (AL), which iteratively queries the most informative examples from a large pool of unlabeled candidates for model training, faces significant challenges in the presence of open-set classes. Existing methods either prioritize query examples likely to belong to known classes, indicating low epistemic uncertainty (EU), or focus on querying those with highly uncertain predictions, reflecting high aleatoric uncertainty (AU). However, they both yield suboptimal performance, as low EU corresponds to limited useful information, and closed-set AU metrics for unknown class examples are less meaningful. In this paper, we propose an Energy-based Active Open-set Annotation (EAOA) framework, which effectively integrates EU and AU to achieve superior performance. EAOA features a $(C+1)$-class detector and a target classifier, incorporating an energy-based EU measure and a margin-based energy loss designed for the detector, alongside an energy-based AU measure for the target classifier. Another crucial component is the target-driven adaptive sampling strategy. It first forms a smaller candidate set with low EU scores to ensure closed-set properties, making AU metrics meaningful. Subsequently, examples with high AU scores are queried to form the final query set, with the candidate set size adjusted adaptively. Extensive experiments show that EAOA achieves state-of-the-art performance while maintaining high query precision and low training overhead. The code is available at https://github.com/chenchenzong/EAOA.
• Abstract（参考訳）: 積極的学習(AL)は、モデルトレーニングのためのラベルなし候補の大きなプールから、反復的に最も有意義な例をクエリするが、オープンセットクラスの存在において大きな課題に直面している。 既存の手法では、既知のクラスに属する可能性のあるクエリの例を優先順位付けし、低い疫学不確実性(EU)を示すか、高いアレタリック不確実性(AU)を反映して、非常に不確実な予測を伴うクエリに焦点を当てる。 しかし、低いEUは限られた有用な情報に対応しており、未知のクラス例に対する閉集合AUメトリクスは意味をなさないため、両者とも準最適性能を得る。 本稿では,EUとAUを効果的に統合して優れた性能を実現する,エネルギーベースのアクティブオープンセットアノテーション(EAOA)フレームワークを提案する。 EAOAは$(C+1)$クラスの検出器とターゲット分類器を備えており、エネルギーベースのEU測度と検出器用に設計されたマージンベースのエネルギー損失と、目標分類器のためのエネルギーベースのAU測度が組み込まれている。 もうひとつの重要なコンポーネントは、ターゲット駆動型適応サンプリング戦略である。 まず、EUスコアの低い小さな候補セットを作成してクローズドセットプロパティを確保し、AUメトリクスを意味のあるものにする。 その後、高いAUスコアを持つサンプルをクエリして最終クエリセットを生成し、候補セットのサイズを適応的に調整する。 大規模な実験により、EAOAは高いクエリ精度と低いトレーニングオーバーヘッドを維持しながら、最先端のパフォーマンスを達成することが示された。 コードはhttps://github.com/chenchenzong/EAOAで公開されている。

関連論文リスト

• Beyond Exact Match: Semantically Reassessing Event Extraction by Large Language Models [69.38024658668887]
  イベント抽出の現在の評価法はトークンレベルの正確な一致に依存している。 トークンレベルではなくセマンティックレベルでイベント抽出結果を正確に評価する自動評価フレームワークであるRAEEを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:54:01Z)
• Prompt Optimization with EASE? Efficient Ordering-aware Automated Selection of Exemplars [66.823588073584]
  大規模言語モデル(LLM)は、現実世界のアプリケーションで印象的な機能を示している。 これらの卓越した作品の品質は、パフォーマンスに大きな影響を与えます。 既存の方法は、先行注文がパフォーマンスに与える影響を適切に説明できない。
  論文  参考訳（メタデータ） (2024-05-25T08:23:05Z)
• How to Evaluate the Generalization of Detection? A Benchmark for Comprehensive Open-Vocabulary Detection [25.506346503624894]
  我々は,9つのサブタスクを含むOVDEvalという新しいベンチマークを提案し,コモンセンス知識の評価を導入する。 データセットは、モデルによる視覚的および言語的入力の真の理解に挑戦する強烈なネガティブを提供するために、慎重に作成されます。
  論文  参考訳（メタデータ） (2023-08-25T04:54:32Z)
• Glocal Energy-based Learning for Few-Shot Open-Set Recognition [57.84234213466372]
  FSOR(Few-shot Open-set Recognition)は、非常に実用的なタスクである。 FSORのための新しいエネルギーベースハイブリッドモデルを提案する。 3つの標準FSORデータセットの実験は、我々のモデルの優れた性能を示している。
  論文  参考訳（メタデータ） (2023-04-24T07:06:50Z)
• OpenAUC: Towards AUC-Oriented Open-Set Recognition [151.5072746015253]
  従来の機械学習は、トレーニングとテストセットが同じラベル空間を共有するという密接な前提に従っている。 Open-Set Recognition (OSR) は、クローズセットサンプルとオープンセットサンプルの両方で正確な予測を行うことを目的としている。 これらの問題を解決するために,OpenAUCという新しいメトリクスを提案する。
  論文  参考訳（メタデータ） (2022-10-22T08:54:15Z)
• Active Pointly-Supervised Instance Segmentation [106.38955769817747]
  アクティブポイント制御型インスタンスセグメンテーション(APIS)という,経済的なアクティブな学習環境を提案する。 APISはボックスレベルのアノテーションから始まり、ボックス内のポイントを反復的にサンプリングし、オブジェクトに落ちているかどうかを問う。 これらの戦略で開発されたモデルは、挑戦的なMS-COCOデータセットに対して一貫したパフォーマンス向上をもたらす。
  論文  参考訳（メタデータ） (2022-07-23T11:25:24Z)
• Active Learning for Open-set Annotation [38.739845944840454]
  我々はLfOSAと呼ばれる新しいアクティブラーニングフレームワークを提案する。このフレームワークは、効果的なサンプリング戦略を用いて分類性能を高め、アノテーションのための既知のクラスからサンプルを正確に検出する。 実験結果から,提案手法は既知のクラスの選択精度を著しく向上し,アノテーションコストの低い分類精度を最先端の能動学習法よりも向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-01-18T06:11:51Z)
• Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
  最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。 少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。 これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
  論文  参考訳（メタデータ） (2020-08-04T10:41:32Z)

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。