論文の概要: Learning from Uncertain Similarity and Unlabeled Data

• arxiv url: http://arxiv.org/abs/2509.11984v1
• Date: Mon, 15 Sep 2025 14:29:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.344652
• Title: Learning from Uncertain Similarity and Unlabeled Data
• Title（参考訳）: 不確実な類似性とラベルなしデータから学ぶ
• Authors: Meng Wei, Zhongnian Li, Peng Ying, Xinzheng Xu,
• Abstract要約: ラベルリークを低減するために,各類似度ペアを不確実成分に埋め込んだ新しいフレームワーク,Uncertain similarity and Unlabeled Learning (USimUL)を提案する。 本研究では,従来の類似性に基づく手法と比較して,分類性能が優れていることを示す。
• 参考スコア（独自算出の注目度）: 6.553242735096595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing similarity-based weakly supervised learning approaches often rely on precise similarity annotations between data pairs, which may inadvertently expose sensitive label information and raise privacy risks. To mitigate this issue, we propose Uncertain Similarity and Unlabeled Learning (USimUL), a novel framework where each similarity pair is embedded with an uncertainty component to reduce label leakage. In this paper, we propose an unbiased risk estimator that learns from uncertain similarity and unlabeled data. Additionally, we theoretically prove that the estimator achieves statistically optimal parametric convergence rates. Extensive experiments on both benchmark and real-world datasets show that our method achieves superior classification performance compared to conventional similarity-based approaches.
• Abstract（参考訳）: 既存の類似性に基づく弱い教師付き学習アプローチは、しばしばデータペア間の正確な類似アノテーションに依存している。 この問題を軽減するために,各類似度ペアを不確実成分に埋め込んでラベルリークを低減する新しいフレームワーク,Uncertain similarity and Unlabeled Learning (USimUL)を提案する。 本稿では,不確実な類似性やラベルのないデータから学習するリスク推定器を提案する。 さらに,推定器が統計的に最適なパラメトリック収束率を達成することを理論的に証明する。 ベンチマークと実世界の両方のデータセットに対する大規模な実験により,本手法は従来の類似性に基づく手法と比較して,優れた分類性能が得られることが示された。

関連論文リスト

• Learning from Similarity-Confidence and Confidence-Difference [0.24578723416255752]
  複数の視点から補完的な弱監督信号を利用する新しい弱監視学習(WSL)フレームワークを提案する。 具体的には,2種類の弱いラベルを統合する手法であるSconfConfDiff Classificationを紹介する。 両推定器が推定誤差境界に対して最適収束率を達成することを証明した。
  論文  参考訳（メタデータ） (2025-08-07T07:42:59Z)
• Self Adaptive Threshold Pseudo-labeling and Unreliable Sample Contrastive Loss for Semi-supervised Image Classification [6.920336485308536]
  擬似ラベルに基づく半教師付きアプローチは、画像分類において2つの問題に悩まされる。 我々は,各クラスの閾値を動的に調整し,信頼性の高いサンプル数を増やす自己適応型閾値擬似ラベル戦略を開発した。 しきい値以下でラベル付けされていないデータを効果的に活用するために、信頼できないサンプルコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2024-07-04T03:04:56Z)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• Learning from Similarity-Confidence Data [94.94650350944377]
  類似度信頼性(Sconf)データから学習する新しい弱監督学習問題について検討する。 本研究では,Sconfデータのみから計算可能な分類リスクの非バイアス推定器を提案し,推定誤差境界が最適収束率を達成することを示す。
  論文  参考訳（メタデータ） (2021-02-13T07:31:16Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。