論文の概要: Mind the Gap: Bridging Prior Shift in Realistic Few-Shot Crop-Type Classification

• arxiv url: http://arxiv.org/abs/2511.16218v1
• Date: Thu, 20 Nov 2025 10:39:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.575982
• Title: Mind the Gap: Bridging Prior Shift in Realistic Few-Shot Crop-Type Classification
• Title（参考訳）: Mind the Gap: リアルなFew-Shot Crop型分類における事前シフトのブリッジ
• Authors: Joana Reuss, Ekaterina Gikalo, Marco Körner,
• Abstract要約: 現実世界の農業分布は、しばしば厳しい階級不均衡に悩まされ、通常は長い尾の分布が続く。 モデルトレーニング中に対象領域の未知のラベル分布スキューを積極的にシミュレートする新しい手法であるDirPAを提案する。 実験の結果,DirPAは動的特徴正規化器として機能することで,決定境界のシフトに成功し,トレーニングプロセスの安定化を実現していることがわかった。
• 参考スコア（独自算出の注目度）: 0.3823356975862005
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world agricultural distributions often suffer from severe class imbalance, typically following a long-tailed distribution. Labeled datasets for crop-type classification are inherently scarce and remain costly to obtain. When working with such limited data, training sets are frequently constructed to be artificially balanced -- in particular in the case of few-shot learning -- failing to reflect real-world conditions. This mismatch induces a shift between training and test label distributions, degrading real-world generalization. To address this, we propose Dirichlet Prior Augmentation (DirPA), a novel method that simulates an unknown label distribution skew of the target domain proactively during model training. Specifically, we model the real-world distribution as Dirichlet-distributed random variables, effectively performing a prior augmentation during few-shot learning. Our experiments show that DirPA successfully shifts the decision boundary and stabilizes the training process by acting as a dynamic feature regularizer.
• Abstract（参考訳）: 現実世界の農業分布は、しばしば厳しい階級不均衡に悩まされ、通常は長い尾の分布が続く。 作物型分類のためのラベル付きデータセットは本質的に不足しており、入手するのにコストがかかる。 このような限られたデータを扱う場合、トレーニングセットは(特に数ショットの学習の場合)実世界の状態を反映できないように、人工的にバランスよく構築されることが多い。 このミスマッチは、トレーニングとテストラベルの分布のシフトを引き起こし、現実世界の一般化を劣化させる。 そこで本研究では、モデルトレーニング中に対象領域の未知ラベル分布スキューを積極的にシミュレートするDirPA(Dirichlet Prior Augmentation)を提案する。 具体的には,実世界の分布をディリクレ分散確率変数としてモデル化し,数発の学習で事前拡張を効果的に行う。 実験の結果,DirPAは動的特徴正規化器として機能することで,決定境界のシフトに成功し,トレーニングプロセスの安定化を実現していることがわかった。

関連論文リスト

• PAC Learnability in the Presence of Performativity [5.996298190476913]
  本研究では,従来のPAC学習フレームワークのレンズを用いて,性能的二項分類問題を学習可能かどうかについて検討する。 本研究では,本来の分布から得られるデータと,その型による性能的リスク関数を構築した。 この性能リスクの概念を最小化することで、標準的な二項分類設定における任意のPAC学習可能な仮説空間がPAC学習可能なままであることを示すことができる。
  論文  参考訳（メタデータ） (2025-10-09T15:22:52Z)
• SimPro: A Simple Probabilistic Framework Towards Realistic Long-Tailed Semi-Supervised Learning [49.94607673097326]
  ラベルなしデータの分散に関する前提を前提としない、高度に適応可能なフレームワークをSimProとして提案する。 我々のフレームワークは確率モデルに基づいており、期待最大化アルゴリズムを革新的に洗練する。 本手法は,様々なベンチマークやデータ分散シナリオにまたがる一貫した最先端性能を示す。
  論文  参考訳（メタデータ） (2024-02-21T03:39:04Z)
• Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
  本稿では,ラベルスキュード・フェデレーション学習の新しいアプローチであるFedVLSを紹介する。 空のクラス蒸留とロジット抑制を同時に統合する。 FedVLSの有効性を検証する実験は、従来のSOTA(State-of-the-art)法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-04T16:06:31Z)
• Class Distribution Shifts in Zero-Shot Learning: Learning Robust Representations [3.8980564330208662]
  本研究では,前もって変化の原因となる属性が不明であると仮定したモデルを提案し,解析する。 提案アルゴリズムは,実世界のデータセット上でのシミュレーションと実験の両方において,多様なクラス分布への一般化を改善する。
  論文  参考訳（メタデータ） (2023-11-30T14:14:31Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Fairness Transferability Subject to Bounded Distribution Shift [5.62716254065607]
  あるソース分布に「フェア」なアルゴリズム予測器が与えられたとしても、あるバウンダリ内のソースと異なる未知のターゲット分布上では、まだフェアなのか? 本研究では,有界分布シフトを考慮した機械学習予測器の統計的グループフェアネスの伝達可能性について検討する。
  論文  参考訳（メタデータ） (2022-05-31T22:16:44Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Evaluating Predictive Uncertainty and Robustness to Distributional Shift Using Real World Data [0.0]
  シフト天気予報データセットを用いて、一般的な回帰作業のためのメトリクスを提案する。 また,これらの指標を用いたベースライン手法の評価を行った。
  論文  参考訳（メタデータ） (2021-11-08T17:32:10Z)
• WILDS: A Benchmark of in-the-Wild Distribution Shifts [157.53410583509924]
  分散シフトは、ワイルドにデプロイされた機械学習システムの精度を実質的に低下させることができる。 分散シフトの多様な範囲を反映した8つのベンチマークデータセットのキュレーションコレクションであるWILDSを紹介します。 本研究は, 標準訓練の結果, 分布性能よりも, 分布域外性能が有意に低下することを示す。
  論文  参考訳（メタデータ） (2020-12-14T11:14:56Z)
• Estimating Generalization under Distribution Shifts via Domain-Invariant Representations [75.74928159249225]
  未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。 結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
  論文  参考訳（メタデータ） (2020-07-06T17:21:24Z)

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。