論文の概要: Perceive, Act and Correct: Confidence Is Not Enough for Hyperspectral Classification

• arxiv url: http://arxiv.org/abs/2511.10068v1
• Date: Fri, 14 Nov 2025 01:30:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.678133
• Title: Perceive, Act and Correct: Confidence Is Not Enough for Hyperspectral Classification
• Title（参考訳）: 知覚、行為、正当性:信頼はハイパースペクトル分類には十分ではない
• Authors: Muzhou Yang, Wuzhou Quan, Mingqiang Wei,
• Abstract要約: 信頼のみは、高スペクトル画像分類において誤解を招くことが多く、モデルは不確実性の認識を欠きながら、高い予測スコアを誤りを犯す傾向がある。 CABINは、知覚、行動、修正の閉ループ学習プロセスを通じて、この制限に対処する半教師付きフレームワークである。
• 参考スコア（独自算出の注目度）: 22.167975466562822
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Confidence alone is often misleading in hyperspectral image classification, as models tend to mistake high predictive scores for correctness while lacking awareness of uncertainty. This leads to confirmation bias, especially under sparse annotations or class imbalance, where models overfit confident errors and fail to generalize. We propose CABIN (Cognitive-Aware Behavior-Informed learNing), a semi-supervised framework that addresses this limitation through a closed-loop learning process of perception, action, and correction. CABIN first develops perceptual awareness by estimating epistemic uncertainty, identifying ambiguous regions where errors are likely to occur. It then acts by adopting an Uncertainty-Guided Dual Sampling Strategy, selecting uncertain samples for exploration while anchoring confident ones as stable pseudo-labels to reduce bias. To correct noisy supervision, CABIN introduces a Fine-Grained Dynamic Assignment Strategy that categorizes pseudo-labeled data into reliable, ambiguous, and noisy subsets, applying tailored losses to enhance generalization. Experimental results show that a wide range of state-of-the-art methods benefit from the integration of CABIN, with improved labeling efficiency and performance.
• Abstract（参考訳）: 信頼のみは、高スペクトル画像分類において誤解を招くことが多く、モデルは不確実性の認識を欠きながら、高い予測スコアを誤りを犯す傾向がある。 これは、特にスパースアノテーションやクラス不均衡の下で、モデルが自信のあるエラーに過度に適合し、一般化に失敗する、確認バイアスを引き起こす。 CABIN (Cognitive-Aware Behavior-Informed learNing) は、知覚、行動、修正の閉ループ学習プロセスを通じて、この制限に対処する半教師付きフレームワークである。 CABINはまず、先天的な不確実性を推定し、エラーが起こる可能性のある曖昧な領域を特定することによって知覚的認知を発達させる。 その後、不確実性誘導デュアルサンプリング戦略を採用し、確実なサンプルを探索し、確実なサンプルを安定した擬似ラベルとして固定してバイアスを減らす。 CABINは、ノイズの監督を正すために、疑似ラベル付きデータを信頼性、曖昧、ノイズのサブセットに分類するファイングラインド動的割り当て戦略を導入し、一般化を促進するために調整された損失を適用した。 実験結果から, CABINの統合により, ラベル付け効率と性能が向上し, 最先端手法の幅広い活用が期待できることがわかった。

関連論文リスト

• Uncertainty-Driven Reliability: Selective Prediction and Trustworthy Deployment in Modern Machine Learning [1.2183405753834562]
  この論文は、不確実性推定が機械学習(ML)システムの安全性と信頼性を高める方法について考察する。 まず、モデルのトレーニング軌道は、アーキテクチャの変更や損失を伴わずに活用できるような、豊富な不確実性信号を含むことを示す。 本稿では,タスク間で動作し,深層アンサンブルのコストを回避し,最先端の選択的予測性能を実現する軽量なポストホック禁忌手法を提案する。
  論文  参考訳（メタデータ） (2025-08-11T02:33:53Z)
• Typicalness-Aware Learning for Failure Detection [26.23185979968123]
  ディープニューラルネットワーク(DNN)は、しばしば自信過剰な問題に悩まされる。 そこで本研究では,本問題に対処し,故障検出性能を向上させるために,S typicalness-Aware Learning (TAL) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-04T11:09:47Z)
• Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
  多くの信頼度推定法は誤分類誤りを検出するのに有害である。 本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:44:14Z)
• Selective Learning: Towards Robust Calibration with Dynamic Regularization [79.92633587914659]
  ディープラーニングにおけるミススキャリブレーションとは、予測された信頼とパフォーマンスの間には相違がある、という意味である。 トレーニング中に何を学ぶべきかを学ぶことを目的とした動的正規化(DReg)を導入し、信頼度調整のトレードオフを回避する。
  論文  参考訳（メタデータ） (2024-02-13T11:25:20Z)
• 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)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• 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。