論文の概要: Amortized Variational Inference for Partial-Label Learning: A Probabilistic Approach to Label Disambiguation

• arxiv url: http://arxiv.org/abs/2510.21300v1
• Date: Fri, 24 Oct 2025 09:54:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.429775
• Title: Amortized Variational Inference for Partial-Label Learning: A Probabilistic Approach to Label Disambiguation
• Title（参考訳）: 部分ラベル学習のための記憶的変分推論:ラベルの曖昧化に対する確率論的アプローチ
• Authors: Tobias Fuchs, Nadja Klein,
• Abstract要約: 部分ラベル学習列車は、各インスタンスが候補ラベルのセットに関連付けられているときに分類する。 本稿では,アモータライズされた変分推論を用いて,真のラベル上の後部分布を直接近似する新しいフレームワークを提案する。 提案手法はニューラルネットワークを用いて入力データから変動パラメータを予測し,効率的な推論を可能にする。
• 参考スコア（独自算出の注目度）: 2.7214777196418645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world data is frequently noisy and ambiguous. In crowdsourcing, for example, human annotators may assign conflicting class labels to the same instances. Partial-label learning (PLL) addresses this challenge by training classifiers when each instance is associated with a set of candidate labels, only one of which is correct. While early PLL methods approximate the true label posterior, they are often computationally intensive. Recent deep learning approaches improve scalability but rely on surrogate losses and heuristic label refinement. We introduce a novel probabilistic framework that directly approximates the posterior distribution over true labels using amortized variational inference. Our method employs neural networks to predict variational parameters from input data, enabling efficient inference. This approach combines the expressiveness of deep learning with the rigor of probabilistic modeling, while remaining architecture-agnostic. Theoretical analysis and extensive experiments on synthetic and real-world datasets demonstrate that our method achieves state-of-the-art performance in both accuracy and efficiency.
• Abstract（参考訳）: 実世界のデータは、しばしば騒々しくあいまいです。 例えばクラウドソーシングでは、人間アノテーションは競合するクラスラベルを同じインスタンスに割り当てることができる。 部分ラベル学習(PLL)は、各インスタンスが候補ラベルのセットに関連付けられている場合に分類器を訓練することでこの問題に対処する。 初期のPLL法は真のラベル後部を近似するが、しばしば計算集約的である。 最近のディープラーニングアプローチはスケーラビリティを向上させるが、サロゲート損失とヒューリスティックなラベル改善に依存している。 本稿では,アモータライズされた変分推論を用いて,真のラベル上の後部分布を直接近似する新しい確率的フレームワークを提案する。 提案手法はニューラルネットワークを用いて入力データから変動パラメータを予測し,効率的な推論を可能にする。 このアプローチは、ディープラーニングの表現力と確率論的モデリングの厳密さを結合し、アーキテクチャに依存しないままである。 合成および実世界のデータセットに関する理論的解析と広範な実験により,本手法は精度と効率の両面で最先端の性能を達成することを示した。

関連論文リスト

• Robust Partial-Label Learning by Leveraging Class Activation Values [0.0]
  例えば、人間のアノテータは同じインスタンスに競合するクラスラベルを割り当てる。 本稿では、ニューラルネットワークのクラスアクティベーション値の大きさを利用して、不確かさを明確に表現する主観論理に基づく新しい手法を提案する。 提案手法は,高騒音下での予測性能において,より堅牢な予測を行うことを示す。
  論文  参考訳（メタデータ） (2025-02-17T12:30:05Z)
• Learning with Confidence: Training Better Classifiers from Soft Labels [0.0]
  教師付き機械学習では、モデルは通常、ハードラベルを持つデータ、すなわちクラスメンバーシップの明確な割り当てを用いて訓練される。 クラスラベル上の離散確率分布として表されるラベルの不確実性を組み込むことで,分類モデルの予測性能が向上するかどうかを検討する。
  論文  参考訳（メタデータ） (2024-09-24T13:12:29Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
  特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。 合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
  論文  参考訳（メタデータ） (2022-02-04T15:46:27Z)
• Multi-class Probabilistic Bounds for Self-learning [13.875239300089861]
  Pseudo-labelingはエラーを起こしやすいため、ラベルなしのトレーニングデータにノイズのあるラベルを追加するリスクがある。 本稿では,多クラス分類シナリオにおける自己学習を部分的にラベル付きデータで分析する確率的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-09-29T13:57:37Z)
• Dash: Semi-Supervised Learning with Dynamic Thresholding [72.74339790209531]
  我々は、ラベルのない例を使ってモデルをトレーニングする半教師付き学習(SSL)アプローチを提案する。 提案手法であるDashは、ラベルなしデータ選択の観点から適応性を享受する。
  論文  参考訳（メタデータ） (2021-09-01T23:52:29Z)
• Minimax Active Learning [61.729667575374606]
  アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。 現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。 我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-18T19:03:40Z)
• How to trust unlabeled data? Instance Credibility Inference for Few-Shot Learning [47.21354101796544]
  本稿では,未ラベルのインスタンスを数発の視覚認識に利用するために,ICI (Instance Credibility Inference) と呼ばれる統計的アプローチを提案する。 擬似ラベル付きインスタンスの信頼性は, それらの付随パラメータの正規化経路に沿ってランク付けし, 最も信頼性の高い擬似ラベル付きインスタンスを拡張ラベル付きインスタンスとして保存する。
  論文  参考訳（メタデータ） (2020-07-15T03:38:09Z)
• Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
  部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。 既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。 本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T08:35:15Z)

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。