論文の概要: LiLAW: Lightweight Learnable Adaptive Weighting to Meta-Learn Sample Difficulty and Improve Noisy Training

• arxiv url: http://arxiv.org/abs/2509.20786v1
• Date: Thu, 25 Sep 2025 06:13:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.723569
• Title: LiLAW: Lightweight Learnable Adaptive Weighting to Meta-Learn Sample Difficulty and Improve Noisy Training
• Title（参考訳）: LiLAW:メタラーンサンプルの難易度とノイズトレーニング改善のための軽量学習型適応ウェイト
• Authors: Abhishek Moturu, Anna Goldenberg, Babak Taati,
• Abstract要約: 軽量学習型適応重み付け(LiLAW)は,各トレーニング試料の損失重みを,その進行困難度に基づいて動的に調整する手法である。 LiLAWは高雑音環境でも継続的に性能を向上する。
• 参考スコア（独自算出の注目度）: 4.691805203236375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training deep neural networks in the presence of noisy labels and data heterogeneity is a major challenge. We introduce Lightweight Learnable Adaptive Weighting (LiLAW), a novel method that dynamically adjusts the loss weight of each training sample based on its evolving difficulty level, categorized as easy, moderate, or hard. Using only three learnable parameters, LiLAW adaptively prioritizes informative samples throughout training by updating these weights using a single mini-batch gradient descent step on the validation set after each training mini-batch, without requiring excessive hyperparameter tuning or a clean validation set. Extensive experiments across multiple general and medical imaging datasets, noise levels and types, loss functions, and architectures with and without pretraining demonstrate that LiLAW consistently enhances performance, even in high-noise environments. It is effective without heavy reliance on data augmentation or advanced regularization, highlighting its practicality. It offers a computationally efficient solution to boost model generalization and robustness in any neural network training setup.
• Abstract（参考訳）: ノイズの多いラベルとデータの不均一性の存在下でのディープニューラルネットワークのトレーニングは、大きな課題である。 軽量学習適応重み付け(LiLAW)は,各トレーニング試料の損失重みを,その進行難易度に基づいて動的に調整し,易度・中度度・難度に分類する手法である。 学習可能な3つのパラメータのみを使用して、LiLAWは、過度なハイパーパラメータチューニングやクリーンなバリデーションセットを必要とせずに、各トレーニングのミニバッチ後の検証セットの1つのミニバッチ勾配勾配ステップを使用して、これらの重みを更新することにより、トレーニング全体を通して情報的なサンプルを適応的に優先順位付けする。 複数の一般的な医用画像データセット、ノイズレベルとタイプ、損失関数、および事前訓練なしでのアーキテクチャにわたる大規模な実験は、LiLAWが高ノイズ環境においても継続的にパフォーマンスを向上させることを示した。 データ拡張や高度な正規化に大きく依存せずに有効であり、実用性を強調している。 任意のニューラルネットワークトレーニングセットアップにおいて、モデルの一般化と堅牢性を高めるために、計算的に効率的なソリューションを提供する。

関連論文リスト

• Dynamic Loss-Based Sample Reweighting for Improved Large Language Model Pretraining [55.262510814326035]
  既存のリウェイト戦略は主にグループレベルのデータの重要性に焦点を当てている。 動的・インスタンスレベルのデータ再重み付けのための新しいアルゴリズムを提案する。 当社のフレームワークでは,冗長データや非形式データを優先的に再重み付けする戦略を考案することが可能です。
  論文  参考訳（メタデータ） (2025-02-10T17:57:15Z)
• Just How Flexible are Neural Networks in Practice? [89.80474583606242]
  ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。 しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
  論文  参考訳（メタデータ） (2024-06-17T12:24:45Z)
• Take the Bull by the Horns: Hard Sample-Reweighted Continual Training Improves LLM Generalization [165.98557106089777]
  大きな言語モデル(LLM)の能力を高めることが大きな課題だ。 本研究は,従来の事前学習データセットを用いたLCMの光連続訓練に関する実証的戦略から始まった。 次に、この戦略をインスタンス重み付け分散ロバスト最適化の原則化されたフレームワークに定式化します。
  論文  参考訳（メタデータ） (2024-02-22T04:10:57Z)
• Efficient Augmentation for Imbalanced Deep Learning [8.38844520504124]
  本研究では、畳み込みニューラルネットワークの内部表現である不均衡画像データについて検討する。 モデルの特徴埋め込みとテストセットの一般化ギャップを測定し、マイノリティクラスではそのギャップが広いことを示す。 この洞察により、不均衡なデータのための効率的な3相CNNトレーニングフレームワークを設計できる。
  論文  参考訳（メタデータ） (2022-07-13T09:43:17Z)
• 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)
• Dynamic Multi-Scale Loss Optimization for Object Detection [14.256807110937622]
  マルチスケール検出器訓練の客観的不均衡について検討する。 本稿では, 適応可変重み付け (AVW) を提案する。 トレーニング中に重み付け方式を確率的に決定する新しい強化学習最適化(RLO)を開発した。
  論文  参考訳（メタデータ） (2021-08-09T13:12:41Z)

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。