論文の概要: Unsupervised Active Learning via Natural Feature Progressive Framework

• arxiv url: http://arxiv.org/abs/2510.04939v1
• Date: Mon, 06 Oct 2025 15:44:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.954269
• Title: Unsupervised Active Learning via Natural Feature Progressive Framework
• Title（参考訳）: 自然特徴プログレッシブフレームワークによる教師なしアクティブラーニング
• Authors: Yuxi Liu, Catherine Lalman, Yimin Yang,
• Abstract要約: Natural Feature Progressive Framework (NFPF)は、サンプルの重要度を測定する方法に革命をもたらすUAL手法である。 NFPFは、モデルパフォーマンスに対する各サンプルの貢献を効果的に定量化するために、特定特徴学習マシン(SFLM)を使用している。 包括的実験の結果,NFPFは既存のUAL手法を著しく上回り,視覚データセット上の教師付きAL手法と同等の性能を発揮することがわかった。
• 参考スコア（独自算出の注目度）: 8.553846772569521
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The effectiveness of modern deep learning models is predicated on the availability of large-scale, human-annotated datasets, a process that is notoriously expensive and time-consuming. While Active Learning (AL) offers a strategic solution by labeling only the most informative and representative data, its iterative nature still necessitates significant human involvement. Unsupervised Active Learning (UAL) presents an alternative by shifting the annotation burden to a single, post-selection step. Unfortunately, prevailing UAL methods struggle to achieve state-of-the-art performance. These approaches typically rely on local, gradient-based scoring for sample importance estimation, which not only makes them vulnerable to ambiguous and noisy data but also hinders their capacity to select samples that adequately represent the full data distribution. Moreover, their use of shallow, one-shot linear selection falls short of a true UAL paradigm. In this paper, we propose the Natural Feature Progressive Framework (NFPF), a UAL method that revolutionizes how sample importance is measured. At its core, NFPF employs a Specific Feature Learning Machine (SFLM) to effectively quantify each sample's contribution to model performance. We further utilize the SFLM to define a powerful Reconstruction Difference metric for initial sample selection. Our comprehensive experiments show that NFPF significantly outperforms all established UAL methods and achieves performance on par with supervised AL methods on vision datasets. Detailed ablation studies and qualitative visualizations provide compelling evidence for NFPF's superior performance, enhanced robustness, and improved data distribution coverage.
• Abstract（参考訳）: 現代のディープラーニングモデルの有効性は、大規模で人間による注釈付きデータセットの可用性を前提としています。 アクティブラーニング(AL)は、最も情報的かつ代表的なデータのみをラベル付けすることで、戦略的ソリューションを提供するが、その反復的な性質は、重要な人間の関与を必要とする。 教師なしアクティブラーニング(Unsupervised Active Learning, UAL)は、アノテーションの負担を1つの選択後のステップにシフトすることで、代替手段を提供する。 残念ながら、一般的なUALメソッドは最先端のパフォーマンスを達成するのに苦労しています。 これらのアプローチは、通常、サンプル重要度推定の局所的な勾配に基づくスコアリングに依存しており、曖昧でノイズの多いデータに対して脆弱であるだけでなく、完全なデータ分布を適切に表現するサンプルを選択する能力を妨げている。 さらに、浅い1ショットの線形選択を使うことは、真のUALパラダイムに欠ける。 本稿では,標本の重要度を測定する方法に革命をもたらすUAL手法であるNFPFを提案する。 NFPFの中核は、各サンプルのモデルパフォーマンスへの貢献を効果的に定量化するために、特定特徴学習マシン(SFLM)を使用している。 さらに、SFLMを用いて、初期サンプル選択のための強力な再構成差分法を定義する。 包括的実験の結果,NFPFは既存のUAL手法を著しく上回り,視覚データセット上の教師付きAL手法と同等の性能を発揮することがわかった。 詳細なアブレーション研究と定性的可視化は、NFPFの優れた性能、堅牢性の向上、データ分散のカバレッジ向上の証拠となる。

関連論文リスト

• To Label or Not to Label: PALM -- A Predictive Model for Evaluating Sample Efficiency in Active Learning Models [2.2667044928324747]
  アクティブラーニング(AL)は、ラベル付けのための最も有益なサンプルを選択することで、アノテーションのコストを削減しようとしている。 最終精度のみに焦点をあてた従来の評価手法は、学習過程の完全なダイナミクスを捉えることができない。 本研究では,4つのキーパラメータからAL軌道を特徴付ける統一的・解釈可能な数学的モデルであるPALMを提案する。
  論文  参考訳（メタデータ） (2025-07-21T08:37:44Z)
• Feasible Learning [78.6167929413604]
  本稿では,サンプル中心の学習パラダイムであるFeasible Learning(FL)を紹介する。 大規模言語モデルにおける画像分類, 年齢回帰, 好みの最適化といった経験的分析により, FLを用いて訓練したモデルでは, 平均的性能に限界があるものの, ERMと比較して改善された尾の挙動を示しながらデータから学習できることが実証された。
  論文  参考訳（メタデータ） (2025-01-24T20:39:38Z)
• Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
  異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。 トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。 広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
  論文  参考訳（メタデータ） (2024-06-07T11:37:45Z)
• Aligning Data Selection with Performance: Performance-driven Reinforcement Learning for Active Learning in Object Detection [31.304039641225504]
  本稿では,オブジェクト検出のための平均APガイド型アクティブラーニングについて紹介する。 MGRALは、予測されたモデル出力変化の概念を深層検知ネットワークの情報性として活用する新しいアプローチである。 提案手法は,物体検出のための強化学習に基づく能動学習における新たなパラダイムを確立し,高い性能を示す。
  論文  参考訳（メタデータ） (2023-10-12T14:59:22Z)
• Learning Objective-Specific Active Learning Strategies with Attentive Neural Processes [72.75421975804132]
  学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。 能動学習問題の対称性と独立性を利用した新しい分類法を提案する。 私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
  論文  参考訳（メタデータ） (2023-09-11T14:16:37Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。