論文の概要: Towards Better IncomLDL: We Are Unaware of Hidden Labels in Advance

• arxiv url: http://arxiv.org/abs/2511.12494v1
• Date: Sun, 16 Nov 2025 08:10:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.199549
• Title: Towards Better IncomLDL: We Are Unaware of Hidden Labels in Advance
• Title（参考訳）: より良いIncomLDLを目指して - 隠れラベルを事前に認識している
• Authors: Jiecheng Jiang, Jiawei Tang, Jiahao Jiang, Hui Liu, Junhui Hou, Yuheng Jia,
• Abstract要約: 本稿では,実世界の不完全ラベル分布から完全ラベル分布を復元することを目的としたHidLDLを提案する。 ローカルな特徴類似性とグローバルな低ランク構造を同時に利用して,隠されたラベルの謎のベールを明らかにする。
• 参考スコア（独自算出の注目度）: 68.65348495515258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Label distribution learning (LDL) is a novel paradigm that describe the samples by label distribution of a sample. However, acquiring LDL dataset is costly and time-consuming, which leads to the birth of incomplete label distribution learning (IncomLDL). All the previous IncomLDL methods set the description degrees of "missing" labels in an instance to 0, but remains those of other labels unchanged. This setting is unrealistic because when certain labels are missing, the degrees of the remaining labels will increase accordingly. We fix this unrealistic setting in IncomLDL and raise a new problem: LDL with hidden labels (HidLDL), which aims to recover a complete label distribution from a real-world incomplete label distribution where certain labels in an instance are omitted during annotation. To solve this challenging problem, we discover the significance of proportional information of the observed labels and capture it by an innovative constraint to utilize it during the optimization process. We simultaneously use local feature similarity and the global low-rank structure to reveal the mysterious veil of hidden labels. Moreover, we theoretically give the recovery bound of our method, proving the feasibility of our method in learning from hidden labels. Extensive recovery and predictive experiments on various datasets prove the superiority of our method to state-of-the-art LDL and IncomLDL methods.
• Abstract（参考訳）: ラベル分布学習(LDL)は,サンプルのラベル分布を記述した新しいパラダイムである。 しかし、LCLデータセットの取得にはコストと時間を要するため、不完全ラベル分散学習(IncomLDL)の誕生につながる。 以前の IncomLDL メソッドはすべて、インスタンス内の "missing" ラベルの記述度を 0 に設定していたが、それでも他のラベルの記述度は変わらない。 この設定は、特定のラベルが欠けている場合、残りのラベルの度合いが増加するため、非現実的である。 IncomLDLにおけるこの非現実的な設定を修正し、新しい問題を提起する: 隠れラベル付きLDL(HidLDL)は、アノテーション中にインスタンス内の特定のラベルが省略された実世界の不完全ラベル分布から完全なラベル分布を復元することを目的としている。 この課題を解決するために、観測されたラベルの比例情報の重要性を発見し、それを革新的な制約で捉え、最適化プロセスで活用する。 ローカルな特徴類似性とグローバルな低ランク構造を同時に利用して,隠されたラベルの謎のベールを明らかにする。 さらに,提案手法の回復バウンダリを理論的に付与し,隠れラベルから学習する上での本手法の有効性を実証する。 各種データセットの広範囲な回復と予測実験により,本手法が最先端のLCL法やIncomLDL法よりも優れていることが証明された。

関連論文リスト

• Concentration Distribution Learning from Label Distributions [19.650545340162726]
  ラベル分布の絶対記述度項として機能する背景濃度という新しい概念を考案した。 本稿では,既存のLCLデータセットからラベル分布と背景濃度を学習するための確率論的手法とニューラルネットワークによる新しいモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-27T07:53:27Z)
• Label Distribution Learning with Biased Annotations by Learning Multi-Label Representation [120.97262070068224]
  マルチラベル学習(MLL)は,実世界のデータ表現能力に注目されている。 ラベル分布学習(LDL)は正確なラベル分布の収集において課題に直面している。
  論文  参考訳（メタデータ） (2025-02-03T09:04:03Z)
• Incremental Label Distribution Learning with Scalable Graph Convolutional Networks [41.02170058889797]
  本稿では,ILDL(Incrmental Label Distribution Learning)を導入し,トレーニングサンプルとラベル間関係に関する重要な課題を分析した。 具体的には、新しいラベルの学習を高速化し、ラベル間の関係をグラフとして表現する、新しいラベル対応のグラディエント補償損失を開発する。
  論文  参考訳（メタデータ） (2024-11-20T07:49:51Z)
• Towards Better Performance in Incomplete LDL: Addressing Data Imbalance [48.54894491724677]
  我々は,不完全なラベルと不均衡なラベル分布を同時に扱うフレームワークであるtextIncomplete and Im Balance Label Distribution Learning (I(2)LDL)を提案する。 本手法は, ラベル分布行列を, 頻繁なラベルのための低ランク成分と希少なラベルのためのスパース成分に分解し, 頭部と尾部のラベルの構造を効果的に把握する。
  論文  参考訳（メタデータ） (2024-10-17T14:12:57Z)
• Inaccurate Label Distribution Learning with Dependency Noise [52.08553913094809]
  本稿では,依存雑音に基づく不正確なラベル分布学習(DN-ILDL)フレームワークを導入し,ラベル分布学習におけるノイズによる課題に対処する。 本稿では,DN-ILDLがILDL問題に効果的に対処し,既存のLCL法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-26T07:58:07Z)
• Label Distribution Learning from Logical Label [19.632157794117553]
  ラベル分布学習(LDL)は、サンプルのラベル記述度(ラベル分布)を予測する効果的な方法である。 しかし、トレーニングサンプルのラベル分布のアノテートは非常にコストがかかる。 論理ラベルから直接LDLモデルを学習する新しい手法を提案し,LEとLDLを結合モデルに統一する。
  論文  参考訳（メタデータ） (2023-03-13T04:31:35Z)
• Instance-Dependent Partial Label Learning [69.49681837908511]
  部分ラベル学習は、典型的には弱教師付き学習問題である。 既存のほとんどのアプローチでは、トレーニングサンプルの間違ったラベルがランダムに候補ラベルとして選択されていると仮定している。 本稿では,各例が実数で構成された潜在ラベル分布と関連していると仮定する。
  論文  参考訳（メタデータ） (2021-10-25T12:50:26Z)

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。