論文の概要: Effects of label noise on the classification of outlier observations

• arxiv url: http://arxiv.org/abs/2511.08808v1
• Date: Thu, 13 Nov 2025 01:09:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.234061
• Title: Effects of label noise on the classification of outlier observations
• Title（参考訳）: 外乱観測の分類におけるラベルノイズの影響
• Authors: Matheus Vinícius Barreto de Farias, Mario de Castro,
• Abstract要約: この研究は、合成データと実データを用いて、外乱観測の予測棄却率を評価する。 その結果, 少量であっても, ノイズの付加がモデル性能に有意な影響を及ぼす可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study investigates the impact of adding noise to the training set classes in classification tasks using the BCOPS algorithm (Balanced and Conformal Optimized Prediction Sets), proposed by Guan & Tibshirani (2022). The BCOPS algorithm is an application of conformal prediction combined with a machine learning method to construct prediction sets such that the probability of the true class being included in the prediction set for a test observation meets a specified coverage guarantee. An observation is considered an outlier if its true class is not present in the training set. The study employs both synthetic and real datasets and conducts experiments to evaluate the prediction abstention rate for outlier observations and the model's robustness in this previously untested scenario. The results indicate that the addition of noise, even in small amounts, can have a significant effect on model performance.
• Abstract（参考訳）: 本研究では,BCOPSアルゴリズム(Balanced and Conformal Optimized Prediction Sets, Balanced and Conformal Optimized Prediction Sets)を用いて,分類タスクにおけるトレーニングセットクラスに雑音を加えることの影響を,Guan & Tibshirani (2022) が提案した。 BCOPSアルゴリズムは、テスト観測のための予測セットに含まれる真のクラスの確率が所定のカバレッジ保証を満たすように予測セットを構築するための機械学習手法と共用した共形予測の応用である。 真のクラスがトレーニングセットに存在しない場合、観察は外れ値と見なされる。 この研究は、合成データセットと実際のデータセットの両方を使用し、未検証のシナリオにおいて、外れ値の観測に対する予測棄却率とモデルの堅牢性を評価する実験を行っている。 その結果, 少量であっても, ノイズの付加がモデル性能に有意な影響を及ぼす可能性が示唆された。

関連論文リスト

• The Lie of the Average: How Class Incremental Learning Evaluation Deceives You? [48.83567710215299]
  クラスインクリメンタルラーニング(CIL)では、モデルが学習済みのクラスを忘れずに、新しいクラスを継続的に学習する必要がある。 我々は、ロバストなCIL評価プロトコルは、性能分布全体を正確に特徴付け、推定するべきであると論じる。 我々は,タスク間類似度を用いて,極端なクラスシーケンスを適応的に識別し,サンプリングする評価プロトコルEDGEを提案する。
  論文  参考訳（メタデータ） (2025-09-26T17:00:15Z)
• 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)
• Conformal Prediction of Classifiers with Many Classes based on Noisy Labels [22.841631892273547]
  Conformal Prediction (CP) は、分類システムの予測不確実性を制御する。 雑音ラベル付きデータに基づいて、ノイズのない共形閾値を推定する方法を示す。 ノイズ対応コンフォーマル予測 (NACP) のアプローチについて検討する。
  論文  参考訳（メタデータ） (2025-01-22T09:35:58Z)
• A Conformal Prediction Score that is Robust to Label Noise [13.22445242068721]
  ラベルノイズに頑健なコンフォメーションスコアを導入する。 ノイズラベル付きデータとノイズレベルを用いて、ノイズフリーコンフォメーションスコアを推定する。 提案手法は,予測セットの平均サイズにおいて,現在の手法よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-04T12:22:02Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Understanding and Mitigating the Label Noise in Pre-training on Downstream Tasks [91.15120211190519]
  本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。 雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T06:18:15Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Self-supervised Pretraining with Classification Labels for Temporal Activity Detection [54.366236719520565]
  時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。 検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。 本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T18:59:28Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Training conformal predictors [0.0]
  共形予測の効率基準は、一般に、与えられた共形予測器の性能を評価するために用いられる。 そこで本研究では,そのような基準をエンフラーン分類器に活用できるかどうかを考察する。
  論文  参考訳（メタデータ） (2020-05-14T14:47:30Z)

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。