論文の概要: Semi-Supervised Hierarchical Open-Set Classification

• arxiv url: http://arxiv.org/abs/2601.16541v1
• Date: Fri, 23 Jan 2026 08:21:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.604984
• Title: Semi-Supervised Hierarchical Open-Set Classification
• Title（参考訳）: 半教師付き階層型オープンセット分類
• Authors: Erik Wallin, Fredrik Kahl, Lars Hammarstrand,
• Abstract要約: 擬似ラベリングに基づく教師学習フレームワークを提案する。 1) 未知データの存在を確実に監視するサブツリー擬似ラベルと,2) 擬似ラベルにおける過信を緩和するメカニズムの老化という2つの重要な要素が紹介されている。
• 参考スコア（独自算出の注目度）: 18.50489165333254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hierarchical open-set classification handles previously unseen classes by assigning them to the most appropriate high-level category in a class taxonomy. We extend this paradigm to the semi-supervised setting, enabling the use of large-scale, uncurated datasets containing a mixture of known and unknown classes to improve the hierarchical open-set performance. To this end, we propose a teacher-student framework based on pseudo-labeling. Two key components are introduced: 1) subtree pseudo-labels, which provide reliable supervision in the presence of unknown data, and 2) age-gating, a mechanism that mitigates overconfidence in pseudo-labels. Experiments show that our framework outperforms self-supervised pretraining followed by supervised adaptation, and even matches the fully supervised counterpart when using only 20 labeled samples per class on the iNaturalist19 benchmark. Our code is available at https://github.com/walline/semihoc.
• Abstract（参考訳）: 階層的なオープンセット分類は、クラス分類において最も適切なハイレベルなカテゴリーに分類することで、以前は目に見えないクラスを扱います。 我々は、このパラダイムを半教師付き設定に拡張し、既知のクラスと未知クラスの混合を含む大規模で未計算のデータセットを使用することで、階層的オープンセットのパフォーマンスを向上させる。 そこで本研究では,擬似ラベリングに基づく教師学習フレームワークを提案する。 2つの重要なコンポーネントが紹介される。 1)未知データの存在を確実に監視するサブツリー擬似ラベル 2) 年齢変化とは, 疑似ラベルにおける過信を緩和するメカニズムである。 実験の結果,iNaturalist19ベンチマークでは,クラス毎に20個のラベル付きサンプルしか使用していない場合に,自己教師付き事前学習と教師付き適応,さらには完全に教師付き適応よりも優れた結果が得られた。 私たちのコードはhttps://github.com/walline/semihoc.comで利用可能です。

関連論文リスト

• Should We Always Train Models on Fine-Grained Classes? [0.0]
  細粒度ラベルのトレーニングは、分類精度を普遍的に向上しないことを示す。 この戦略の有効性は、データの幾何学的構造とラベル階層との関係に大きく依存する。
  論文  参考訳（メタデータ） (2025-09-05T14:15:46Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
  分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。 本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。 次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
  論文  参考訳（メタデータ） (2023-06-04T02:55:25Z)
• SEAL: Simultaneous Label Hierarchy Exploration And Learning [9.701914280306118]
  本稿では,従来の階層構造に従う潜在ラベルでラベルを増大させることにより,ラベル階層を探索する新しいフレームワークを提案する。 本手法では,木間距離空間上の1-ワッサーシュタイン計量を客観的関数として用いて,データ駆動型ラベル階層を同時に学習し,半教師付き学習を行う。
  論文  参考訳（メタデータ） (2023-04-26T08:31:59Z)
• Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
  本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。 比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
  論文  参考訳（メタデータ） (2022-04-27T21:41:44Z)
• Weakly Supervised Classification Using Group-Level Labels [12.285265254225166]
  本稿では,グループレベルのバイナリラベルを,インスタンスレベルのバイナリ分類モデルの訓練に弱い監督力として利用する手法を提案する。 グループレベルのラベルを個別のインスタンスに対してクラス条件ノイズ(CCN)ラベルとしてモデル化し,強ラベル付きインスタンスでトレーニングされたモデルの予測を正規化するためにノイズラベルを使用する。
  論文  参考訳（メタデータ） (2021-08-16T20:01:45Z)
• Inducing a hierarchy for multi-class classification problems [11.58041597483471]
  分類的ラベルが自然な階層に従ったアプリケーションでは、ラベル構造を利用する分類方法は、そうでないものをしばしば上回る。 本稿では,フラット分類器に対する分類性能を向上できる階層構造を誘導する手法のクラスについて検討する。 原理シミュレーションと3つの実データアプリケーションにおいて、潜入階層の発見と精度向上のためのメソッドのクラスの有効性を実証する。
  論文  参考訳（メタデータ） (2021-02-20T05:40:42Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Joint Learning of Hyperbolic Label Embeddings for Hierarchical Multi-label Classification [9.996804039553858]
  ラベルが階層内に存在するマルチラベル分類の問題を検討する。 共同学習のための新しい定式化を提案し,その効果を実証的に評価する。
  論文  参考訳（メタデータ） (2021-01-13T10:58:54Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)

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。