論文の概要: Learning from Majority Label: A Novel Problem in Multi-class Multiple-Instance Learning

• arxiv url: http://arxiv.org/abs/2509.04023v1
• Date: Thu, 04 Sep 2025 08:50:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.10772
• Title: Learning from Majority Label: A Novel Problem in Multi-class Multiple-Instance Learning
• Title（参考訳）: マジョリティラベルからの学習: マルチクラス多インスタンス学習における新しい問題
• Authors: Shiku Kaito, Shinnosuke Matsuo, Daiki Suehiro, Ryoma Bise,
• Abstract要約: 本稿では,LML(Learning from Majority Label)と呼ばれる,新しいマルチクラスマルチインスタンス学習問題を提案する。 LMLの目標は、マジョリティラベルを使用して各インスタンスのクラスを推定する分類モデルをトレーニングすることである。 この問題は、病理画像のセグメンテーション、政治的投票予測、顧客感情分析、環境モニタリングなど、様々なアプリケーションで有用である。
• 参考スコア（独自算出の注目度）: 9.28632277726947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The paper proposes a novel multi-class Multiple-Instance Learning (MIL) problem called Learning from Majority Label (LML). In LML, the majority class of instances in a bag is assigned as the bag-level label. The goal of LML is to train a classification model that estimates the class of each instance using the majority label. This problem is valuable in a variety of applications, including pathology image segmentation, political voting prediction, customer sentiment analysis, and environmental monitoring. To solve LML, we propose a Counting Network trained to produce bag-level majority labels, estimated by counting the number of instances in each class. Furthermore, analysis experiments on the characteristics of LML revealed that bags with a high proportion of the majority class facilitate learning. Based on this result, we developed a Majority Proportion Enhancement Module (MPEM) that increases the proportion of the majority class by removing minority class instances within the bags. Experiments demonstrate the superiority of the proposed method on four datasets compared to conventional MIL methods. Moreover, ablation studies confirmed the effectiveness of each module. The code is available at \href{https://github.com/Shiku-Kaito/Learning-from-Majority-Label-A-Novel-Problem-in-Multi-class-Multiple- Instance-Learning}{here}.
• Abstract（参考訳）: 本稿では,LML(Learning from Majority Label)と呼ばれる,MIL(Multiple-Instance Learning)問題を提案する。 LMLでは、バッグ内のほとんどのインスタンスは、バッグレベルのラベルとして割り当てられる。 LMLの目標は、マジョリティラベルを使用して各インスタンスのクラスを推定する分類モデルをトレーニングすることである。 この問題は、病理画像のセグメンテーション、政治的投票予測、顧客感情分析、環境モニタリングなど、様々なアプリケーションで有用である。 LMLを解くために,各クラスのインスタンス数を数えることで,バッグレベルの多数決ラベルを生成するために訓練されたカウントネットワークを提案する。 さらに, LMLの特性に関する解析実験により, 多数クラスの割合の高いバッグが学習を促進することが明らかとなった。 この結果に基づいて,バッグ内のマイノリティクラスインスタンスを除去することにより,多数クラスの割合を増加させるMPEM(Majority Proportion Enhancement Module)を開発した。 従来のMIL法と比較して,提案手法が4つのデータセットに対して優れていることを示す実験を行った。 さらに, アブレーション実験により各モジュールの有効性が確認された。 コードは \href{https://github.com/Shiku-Kaito/Learning-from-Majority-Label-A-Novel-Problem-in-Multi-class-Multiple- Instance-Learning}{here} で公開されている。

関連論文リスト

• Class-Independent Increment: An Efficient Approach for Multi-label Class-Incremental Learning [49.65841002338575]
  本稿では,MLCIL(Multi-label class-incremental Learning)問題に焦点をあてる。 マルチラベルサンプルに対して複数のクラスレベルの埋め込みを抽出する新しいクラス独立インクリメンタルネットワーク(CINet)を提案する。 クラス固有のトークンを構築することで、異なるクラスの知識を学び、保存する。
  論文  参考訳（メタデータ） (2025-03-01T14:40:52Z)
• Counting Network for Learning from Majority Label [4.199844472131922]
  本稿では,LML(Learning from the Majority Label)と呼ばれるマルチクラスマルチインスタンス学習における新しい問題を提案する。 LMLは、バッグレベルのマジョリティクラスを使用してインスタンスを分類することを目的としている。 本稿では,各クラスのインスタンス数をカウントして推定したバッグレベルの過半数ラベルを生成するために訓練されたカウントネットワークを提案する。
  論文  参考訳（メタデータ） (2024-03-20T08:04:00Z)
• Large Language Model-Aware In-Context Learning for Code Generation [75.68709482932903]
  大規模言語モデル(LLM)は、コード生成において印象的なコンテキスト内学習(ICL)能力を示している。 コード生成のためのLAIL (LLM-Aware In-context Learning) という新しい学習ベース選択手法を提案する。
  論文  参考訳（メタデータ） (2023-10-15T06:12:58Z)
• Disambiguated Attention Embedding for Multi-Instance Partial-Label Learning [68.56193228008466]
  多くの実世界のタスクでは、関連するオブジェクトは、候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現することができる。 既存のMIPLアプローチは、各インスタンスに拡張候補ラベルセットを割り当て、インスタンスレベルのラベルからバッグレベルのラベルを集約することで、インスタンス空間のパラダイムに従っている。 本稿では,DEMIPLという直感的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-26T13:25:17Z)
• Reliable Representation Learning for Incomplete Multi-View Missing Multi-Label Classification [78.15629210659516]
  本稿ではRANKと呼ばれる不完全なマルチビュー欠落型マルチラベル分類ネットワークを提案する。 既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。 私たちのモデルは、完全なマルチビューマルチラベルデータを扱うだけでなく、欠落したインスタンスやラベルを持つデータセットでも処理できます。
  論文  参考訳（メタデータ） (2023-03-30T03:09:25Z)
• Multi-Instance Partial-Label Learning: Towards Exploiting Dual Inexact Supervision [53.530957567507365]
  実世界のタスクでは、各トレーニングサンプルは、1つの基底真実ラベルといくつかの偽陽性ラベルを含む候補ラベルセットに関連付けられている。 本稿では,Multi-instance partial-label learning (MIPL) などの問題を定式化する。 既存のマルチインスタンス学習アルゴリズムと部分ラベル学習アルゴリズムはMIPL問題の解法に最適である。
  論文  参考訳（メタデータ） (2022-12-18T03:28:51Z)
• Multiple Instance Learning via Iterative Self-Paced Supervised Contrastive Learning [22.07044031105496]
  バッグレベルのラベルのみが利用可能な場合の個々のインスタンスの学習表現は、MIL(Multiple Case Learning)の課題である。 我々は、MIL表現のための新しいフレームワーク、Iterative Self-paced Supervised Contrastive Learning (ItS2CLR)を提案する。 バッグレベルのラベルから派生したインスタンスレベルの擬似ラベルを活用することで、学習された表現を改善する。
  論文  参考訳（メタデータ） (2022-10-17T21:43:32Z)
• Class-Incremental Lifelong Learning in Multi-Label Classification [3.711485819097916]
  本稿では、連続したマルチラベル分類データストリームにオンラインのクラスインクリメンタル分類器を構築する、Lifelong Multi-Label (LML)分類について検討する。 そこで本研究では,AGCN (Augmented Graph Convolutional Network) を提案する。
  論文  参考訳（メタデータ） (2022-07-16T05:14:07Z)

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。