論文の概要: OASIS: Open-world Adaptive Self-supervised and Imbalanced-aware System

• arxiv url: http://arxiv.org/abs/2508.16656v1
• Date: Wed, 20 Aug 2025 08:09:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.090655
• Title: OASIS: Open-world Adaptive Self-supervised and Imbalanced-aware System
• Title（参考訳）: OASIS: オープンワールド・アダプティブ・アダプティブ・セルフ教師とアンバランスド・アウェアシステム
• Authors: Miru Kim, Mugon Joe, Minhae Kwon,
• Abstract要約: 不均衡なデータに対して事前学習を行っても,オープンワールドの問題に効果的に対処する手法を提案する。 我々のコントラストベースの事前学習アプローチは、特に表現不足クラスにおいて、分類性能を高める。 提案手法は,様々なオープンワールドシナリオにおいて,精度と効率の両面で最先端の適応手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 5.085064777896467
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The expansion of machine learning into dynamic environments presents challenges in handling open-world problems where label shift, covariate shift, and unknown classes emerge. Post-training methods have been explored to address these challenges, adapting models to newly emerging data. However, these methods struggle when the initial pre-training is performed on class-imbalanced datasets, limiting generalization to minority classes. To address this, we propose a method that effectively handles open-world problems even when pre-training is conducted on imbalanced data. Our contrastive-based pre-training approach enhances classification performance, particularly for underrepresented classes. Our post-training mechanism generates reliable pseudo-labels, improving model robustness against open-world problems. We also introduce selective activation criteria to optimize the post-training process, reducing unnecessary computation. Extensive experiments demonstrate that our method significantly outperforms state-of-the-art adaptation techniques in both accuracy and efficiency across diverse open-world scenarios.
• Abstract（参考訳）: 機械学習の動的環境への拡張は、ラベルシフト、共変量シフト、未知のクラスが出現するオープンワールド問題に対処する上での課題を示す。 これらの課題に対処するために、ポストトレーニング手法が検討され、新しいデータにモデルを適用する。 しかし、これらの手法は、クラス不均衡なデータセット上で初期事前学習が行われ、マイノリティクラスへの一般化が制限されるときに困難である。 そこで本研究では,不均衡なデータ上で事前学習を行っても,オープンワールドの問題に効果的に対処する手法を提案する。 我々のコントラストベースの事前学習アプローチは、特に表現不足クラスにおいて、分類性能を向上させる。 我々のポストトレーニングメカニズムは、信頼性の高い擬似ラベルを生成し、オープンワールド問題に対するモデルロバスト性を改善する。 また、学習後処理を最適化するために選択的なアクティベーション基準を導入し、不要な計算を減らした。 大規模な実験により,本手法は様々なオープンワールドシナリオにおいて,精度と効率の両方において最先端の適応手法を著しく上回っていることが示された。

関連論文リスト

• Navigating Towards Fairness with Data Selection [27.731128352096555]
  ラベルバイアスを効率的かつ柔軟に緩和するデータ選択法を提案する。 提案手法では,ゼロショット予測器をプロキシモデルとして利用し,クリーンなホールトアウトセットでのトレーニングをシミュレートする。 我々のモダリティ非依存手法は,実験評価において,ラベルバイアスの処理と多種多様なデータセット間の公正性向上に効果的かつ効果的であることが証明された。
  論文  参考訳（メタデータ） (2024-12-15T06:11:05Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Continual Learning with Pretrained Backbones by Tuning in the Input Space [44.97953547553997]
  ディープラーニングモデルを非定常環境に適用することの本質的な困難さは、ニューラルネットワークの実際のタスクへの適用性を制限している。 ネットワークの事前学習部分の更新を回避し、通常の分類ヘッドだけでなく、新たに導入した学習可能なパラメータのセットも学習することで、微調整手順をより効果的にするための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2023-06-05T15:11:59Z)
• Open World Classification with Adaptive Negative Samples [89.2422451410507]
  オープンワールド分類は、自然言語処理における重要な実践的妥当性と影響を伴う課題である。 そこで本研究では, アンダーライン適応型アンダーラインアンプ (ANS) に基づいて, 学習段階における効果的な合成オープンカテゴリサンプルを生成する手法を提案する。 ANSは最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-03-09T21:12:46Z)
• Stochastic Methods for AUC Optimization subject to AUC-based Fairness Constraints [51.12047280149546]
  公正な予測モデルを得るための直接的なアプローチは、公正な制約の下で予測性能を最適化することでモデルを訓練することである。 フェアネスを考慮した機械学習モデルのトレーニング問題を,AUCに基づくフェアネス制約のクラスを対象とする最適化問題として定式化する。 フェアネス測定値の異なる実世界のデータに対するアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-12-23T22:29:08Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)
• Incremental Learning from Low-labelled Stream Data in Open-Set Video Face Recognition [0.0]
  本稿では,深層機能エンコーダとSVMのオープンセット動的アンサンブルを組み合わせた新しいインクリメンタル学習手法を提案する。 本手法は,教師なしの操作データを用いて認識性を向上させる。 結果は、非適応状態の方法に対する最大15%のF1スコア増加の利点を示しています。
  論文  参考訳（メタデータ） (2020-12-17T13:28:13Z)

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。