論文の概要: Ordinal Adaptive Correction: A Data-Centric Approach to Ordinal Image Classification with Noisy Labels

• arxiv url: http://arxiv.org/abs/2509.02351v1
• Date: Tue, 02 Sep 2025 14:17:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:04.057909
• Title: Ordinal Adaptive Correction: A Data-Centric Approach to Ordinal Image Classification with Noisy Labels
• Title（参考訳）: 正規適応補正:雑音ラベルを用いた正規画像分類へのデータ中心的アプローチ
• Authors: Alireza Sedighi Moghaddam, Mohammad Reza Mohammadi,
• Abstract要約: 雑音ラベルの適応補正にORDinal Adaptive Correction(ORDAC)を提案する。 トレーニング中、ORDACは各サンプルのラベル分布の平均偏差と標準偏差を動的に調整する。 その結果,ORDACとその拡張バージョンはモデル性能を著しく向上させた。
• 参考スコア（独自算出の注目度）: 0.9023847175654603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Labeled data is a fundamental component in training supervised deep learning models for computer vision tasks. However, the labeling process, especially for ordinal image classification where class boundaries are often ambiguous, is prone to error and noise. Such label noise can significantly degrade the performance and reliability of machine learning models. This paper addresses the problem of detecting and correcting label noise in ordinal image classification tasks. To this end, a novel data-centric method called ORDinal Adaptive Correction (ORDAC) is proposed for adaptive correction of noisy labels. The proposed approach leverages the capabilities of Label Distribution Learning (LDL) to model the inherent ambiguity and uncertainty present in ordinal labels. During training, ORDAC dynamically adjusts the mean and standard deviation of the label distribution for each sample. Rather than discarding potentially noisy samples, this approach aims to correct them and make optimal use of the entire training dataset. The effectiveness of the proposed method is evaluated on benchmark datasets for age estimation (Adience) and disease severity detection (Diabetic Retinopathy) under various asymmetric Gaussian noise scenarios. Results show that ORDAC and its extended versions (ORDAC_C and ORDAC_R) lead to significant improvements in model performance. For instance, on the Adience dataset with 40% noise, ORDAC_R reduced the mean absolute error from 0.86 to 0.62 and increased the recall metric from 0.37 to 0.49. The method also demonstrated its effectiveness in correcting intrinsic noise present in the original datasets. This research indicates that adaptive label correction using label distributions is an effective strategy to enhance the robustness and accuracy of ordinal classification models in the presence of noisy data.
• Abstract（参考訳）: ラベル付きデータは、コンピュータビジョンタスクのための教師付きディープラーニングモデルのトレーニングにおいて、基本的なコンポーネントである。 しかし、特にクラス境界が曖昧である順序画像分類におけるラベリングプロセスは、誤りやノイズを生じやすい。 このようなラベルノイズは、機械学習モデルの性能と信頼性を著しく低下させる可能性がある。 本稿では,正規画像分類タスクにおけるラベルノイズの検出と修正の問題に対処する。 そこで,ORDinal Adaptive Correction (ORDAC) と呼ばれる新しいデータ中心法を提案する。 提案手法は,ラベル分布学習(LDL)の能力を利用して,順序ラベルに存在する固有曖昧性と不確かさをモデル化する。 トレーニング中、ORDACは各サンプルのラベル分布の平均偏差と標準偏差を動的に調整する。 潜在的にノイズの多いサンプルを捨てるのではなく、このアプローチはそれらを修正し、トレーニングデータセット全体を最適に活用することを目的としている。 提案手法の有効性は, 様々な非対称なガウス雑音シナリオ下での年齢推定 (Adience) と疾患重症度検出 (Diabetic Retinopathy) のベンチマークデータセットを用いて評価した。 その結果,ORDACとその拡張バージョン(ORDAC_CとORDAC_R)はモデル性能を大幅に改善した。 例えば、40%のノイズを持つAdienceデータセットでは、ORDAC_Rは平均絶対誤差を0.86から0.62に下げ、リコール基準を0.37から0.49に引き上げた。 また,本手法は,原データセットに存在する固有雑音の補正にも有効であることを示した。 本研究は,ラベル分布を用いた適応ラベル補正が,雑音データの存在下での順序分類モデルの堅牢性と精度を高めるための有効な戦略であることを示す。

関連論文リスト

• Set a Thief to Catch a Thief: Combating Label Noise through Noisy Meta Learning [6.68999525326685]
  ノイズラベル(LNL)からの学習は、ノイズデータセットを使用して高性能なディープモデルをトレーニングすることを目的としている。 本稿では,ラベルノイズの補正にノイズデータを用いる新しい雑音付きメタラベル補正フレームワークSTCTを提案する。 STCTは、96.9%のラベル修正と95.2%の分類性能をCIFAR-10で達成し、80%の対称ノイズを持つ。
  論文  参考訳（メタデータ） (2025-02-22T05:58:01Z)
• Efficient Adaptive Label Refinement for Label Noise Learning [14.617885790129336]
  本稿では,不適切なラベルを回避し,クリーンなサンプルを徹底的に学習するための適応ラベル精製(ALR)を提案する。 ALRは単純で効率的であり、ノイズや補助的なデータセットに関する事前の知識を必要としない。 人工ラベルノイズ付きベンチマークデータセット(CIFAR-10/100)と固有ノイズ付き実世界のデータセット(ANIMAL-10N, Clothing1M, WebVision)を用いて、ALRの有効性を検証する。
  論文  参考訳（メタデータ） (2025-02-01T09:58:08Z)
• Fair-OBNC: Correcting Label Noise for Fairer Datasets [9.427445881721814]
  トレーニングデータのバイアスは ラベルノイズと関連しています このようなバイアスデータに基づいてトレーニングされたモデルは、センシティブな情報に関してバイアスを永続的に、あるいは悪化させる可能性がある。 公平性を考慮したラベルノイズ補正法であるFair-OBNCを提案する。
  論文  参考訳（メタデータ） (2024-10-08T17:18:18Z)
• Inaccurate Label Distribution Learning with Dependency Noise [52.08553913094809]
  本稿では,依存雑音に基づく不正確なラベル分布学習(DN-ILDL)フレームワークを導入し,ラベル分布学習におけるノイズによる課題に対処する。 本稿では,DN-ILDLがILDL問題に効果的に対処し,既存のLCL法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-26T07:58:07Z)
• Systematic analysis of the impact of label noise correction on ML Fairness [0.0]
  偏りのあるデータセットで学習したモデルの公平性を確保するため,ラベルノイズ補正手法の有効性を実証的に評価する手法を開発した。 その結果,ハイブリッドラベル雑音補正法は,予測性能と公平性との最良のトレードオフを実現することが示唆された。
  論文  参考訳（メタデータ） (2023-06-28T08:08:14Z)
• Neighborhood Collective Estimation for Noisy Label Identification and Correction [92.20697827784426]
  ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。 近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。 提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
  論文  参考訳（メタデータ） (2022-08-05T14:47:22Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• A Self-Refinement Strategy for Noise Reduction in Grammatical Error Correction [54.569707226277735]
  既存の文法的誤り訂正(GEC)のアプローチは、手動で作成したGECデータセットによる教師あり学習に依存している。 誤りが不適切に編集されたり、修正されなかったりする「ノイズ」は無視できないほどある。 本稿では,既存のモデルの予測整合性を利用して,これらのデータセットをデノマイズする自己補充手法を提案する。
  論文  参考訳（メタデータ） (2020-10-07T04:45:09Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)

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。