論文の概要: Evidential Deep Active Learning for Semi-Supervised Classification

• arxiv url: http://arxiv.org/abs/2505.20691v1
• Date: Tue, 27 May 2025 03:59:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.39475
• Title: Evidential Deep Active Learning for Semi-Supervised Classification
• Title（参考訳）: 半教師付き分類のためのエビデンシャルディープアクティブラーニング
• Authors: Shenkai Zhao, Xinao Zhang, Lipeng Pan, Xiaobin Xu, Danilo Pelusi,
• Abstract要約: 本稿では,半教師付き分類(EDALSSC)のための明らかな深層能動学習手法を提案する。 EDALSSCは、学習プロセス中にラベル付きおよびラベルなしデータの不確実性推定を同時に定量化する半教師付き学習フレームワークを構築している。 EDALSSCは、画像分類データセットにおいて、既存の半教師付きおよび教師付きアクティブラーニングアプローチよりも優れていることを示す実験結果を得た。
• 参考スコア（独自算出の注目度）: 8.640249508547885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semi-supervised classification based on active learning has made significant progress, but the existing methods often ignore the uncertainty estimation (or reliability) of the prediction results during the learning process, which makes it questionable whether the selected samples can effectively update the model. Hence, this paper proposes an evidential deep active learning approach for semi-supervised classification (EDALSSC). EDALSSC builds a semi-supervised learning framework to simultaneously quantify the uncertainty estimation of labeled and unlabeled data during the learning process. The uncertainty estimation of the former is associated with evidential deep learning, while that of the latter is modeled by combining ignorance information and conflict information of the evidence from the perspective of the T-conorm operator. Furthermore, this article constructs a heuristic method to dynamically balance the influence of evidence and the number of classes on uncertainty estimation to ensure that it does not produce counter-intuitive results in EDALSSC. For the sample selection strategy, EDALSSC selects the sample with the greatest uncertainty estimation that is calculated in the form of a sum when the training loss increases in the latter half of the learning process. Experimental results demonstrate that EDALSSC outperforms existing semi-supervised and supervised active learning approaches on image classification datasets.
• Abstract（参考訳）: アクティブラーニングに基づく半教師付き分類は大きな進歩を遂げているが、既存の手法では学習過程における予測結果の不確実性(あるいは信頼性)を無視することが多く、選択したサンプルがモデルを効果的に更新できるかどうかが疑わしい。 そこで本研究では,半教師付き分類 (EDALSSC) のための明らかな深層能動学習手法を提案する。 EDALSSCは、学習プロセス中にラベル付きおよびラベルなしデータの不確実性推定を同時に定量化する半教師付き学習フレームワークを構築している。 前者の不確実性推定は、明らかな深層学習に関連付けられ、後者は、T-コノラム演算子の観点から、証拠の無知情報と矛盾情報を組み合わせることによってモデル化される。 さらに,エビデンスの影響とクラス数が不確実性評価に与える影響を動的にバランスするヒューリスティックな手法を構築し,EDALSSCにおける反直感的な結果が得られないことを確認する。 EDALSSCは、サンプル選択戦略において、学習過程の後半でトレーニング損失が増加すると、和の形で計算される最大の不確実性推定値でサンプルを選択する。 EDALSSCは、画像分類データセットにおいて、既存の半教師付きおよび教師付きアクティブラーニングアプローチよりも優れていることを示す実験結果を得た。

関連論文リスト

• TULiP: Test-time Uncertainty Estimation via Linearization and Weight Perturbation [11.334867025651233]
  OOD検出のための理論駆動型不確実性推定器TULiPを提案する。 本手法では,収束前にネットワークに適用される仮説的摂動を考察する。 提案手法は,特に近分布試料について,最先端の性能を示す。
  論文  参考訳（メタデータ） (2025-05-22T17:16:41Z)
• NTKCPL: Active Learning on Top of Self-Supervised Model by Estimating True Coverage [3.4806267677524896]
  ニューラル・タンジェント・カーネル・クラスタリング・プシュード・ラベル(NTKCPL)の新しいアクティブ・ラーニング・ストラテジーを提案する。 擬似ラベルとNTK近似を用いたモデル予測に基づいて経験的リスクを推定する。 提案手法を5つのデータセット上で検証し,ほとんどの場合,ベースライン法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-07T01:43:47Z)
• Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised Learning [69.81438976273866]
  オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。 本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。 Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-21T09:07:15Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Consistency-Based Semi-supervised Evidential Active Learning for Diagnostic Radiograph Classification [2.3545156585418328]
  CSEAL(Consistency-based Semi-supervised Evidential Active Learning)フレームワークについて紹介する。 我々は、証拠理論と主観的論理に基づく予測の不確実性を利用して、エンドツーエンドの統合アプローチを開発する。 本手法は, ラベル付きサンプルを少なくして, より稀な異常の精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-09-05T09:28:31Z)
• Ask-n-Learn: Active Learning via Reliable Gradient Representations for Image Classification [29.43017692274488]
  深い予測モデルは、ラベル付きトレーニングデータという形で人間の監督に依存する。 Ask-n-Learnは,各アルゴリズムで推定されたペスドラベルを用いて得られる勾配埋め込みに基づく能動的学習手法である。
  論文  参考訳（メタデータ） (2020-09-30T05:19:56Z)

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。