論文の概要: Probabilistic Label Spreading: Efficient and Consistent Estimation of Soft Labels with Epistemic Uncertainty on Graphs

• arxiv url: http://arxiv.org/abs/2602.04574v1
• Date: Wed, 04 Feb 2026 14:00:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.55782
• Title: Probabilistic Label Spreading: Efficient and Consistent Estimation of Soft Labels with Epistemic Uncertainty on Graphs
• Title（参考訳）: 確率的ラベルスプレッド:グラフ上のエピステマ性不確実性を有するソフトラベルの効率的かつ一貫性のある推定
• Authors: Jonathan Klees, Tobias Riedlinger, Peter Stehr, Bennet Böddecker, Daniel Kondermann, Matthias Rottmann,
• Abstract要約: 本稿では,ラベルの不確かさを推定する確率的ラベル拡散手法を提案する。 データポイントあたりのアノテーションの数が0に収束しても、ラベルの拡散が一貫した確率推定器が得られることを示す。 実験結果から,本手法はベースラインと比較して,所望のラベル品質を実現するために必要なアノテーション予算を大幅に削減することが示された。
• 参考スコア（独自算出の注目度）: 4.480864309234644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safe artificial intelligence for perception tasks remains a major challenge, partly due to the lack of data with high-quality labels. Annotations themselves are subject to aleatoric and epistemic uncertainty, which is typically ignored during annotation and evaluation. While crowdsourcing enables collecting multiple annotations per image to estimate these uncertainties, this approach is impractical at scale due to the required annotation effort. We introduce a probabilistic label spreading method that provides reliable estimates of aleatoric and epistemic uncertainty of labels. Assuming label smoothness over the feature space, we propagate single annotations using a graph-based diffusion method. We prove that label spreading yields consistent probability estimators even when the number of annotations per data point converges to zero. We present and analyze a scalable implementation of our method. Experimental results indicate that, compared to baselines, our approach substantially reduces the annotation budget required to achieve a desired label quality on common image datasets and achieves a new state of the art on the Data-Centric Image Classification benchmark.
• Abstract（参考訳）: 知覚タスクのための安全な人工知能は、高品質なラベルを持つデータがないこともあって、依然として大きな課題である。 注釈そのものは、概して注釈と評価の間に無視される、失語症およびてんかんの不確かさの影響を受ける。 クラウドソーシングにより、画像毎に複数のアノテーションを収集して不確実性を見積もることができるが、この手法は、必要となるアノテーションの取り組みのため、大規模には実用的ではない。 本稿では,ラベルの不確かさを推定する確率的ラベル拡散手法を提案する。 特徴空間上のラベルの滑らかさを仮定し、グラフベースの拡散法を用いて単一のアノテーションを伝搬する。 データポイントあたりのアノテーションの数が0に収束しても、ラベルの拡散が一貫した確率推定器が得られることを示す。 提案手法のスケーラブルな実装を提示し,解析する。 実験結果から,本手法はベースラインと比較して,一般的な画像データセット上で所望のラベル品質を実現するために必要なアノテーション予算を大幅に削減し,Data-Centric Image Classificationベンチマークで新たな最先端技術を実現することが示唆された。

関連論文リスト

• Enhanced Sample Selection with Confidence Tracking: Identifying Correctly Labeled yet Hard-to-Learn Samples in Noisy Data [18.111971239860836]
  雑音ラベルの存在下での画像分類のための新しいサンプル選択法を提案する。 私たちのゴールは、正しくラベル付けされているが学習が難しいサンプルと、ラベル付けされていないサンプルを正確に区別することです。 本手法は,既存のサンプル選択手法にシームレスに統合可能なプラグイン・アンド・プレイコンポーネントとして機能する。
  論文  参考訳（メタデータ） (2025-04-24T12:07:14Z)
• 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)
• Perceptual Quality-based Model Training under Annotator Label Uncertainty [15.015925663078377]
  アノテーションは、アノテータラベルの不確実性と呼ばれるデータラベリング中に不一致を示す。 モデル学習のための複数のラベルを客観的に生成する新しい知覚品質ベースモデルトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-15T10:52:18Z)
• Soft Curriculum for Learning Conditional GANs with Noisy-Labeled and Uncurated Unlabeled Data [70.25049762295193]
  本稿では,トレーニング中にノイズラベル付きおよび未処理データを受け入れる条件付き画像生成フレームワークを提案する。 本稿では,ラベルのないデータに新たなラベルを割り当てながら,逆行訓練にインスタンスワイドを割り当てるソフトカリキュラム学習を提案する。 実験により,本手法は,定量および定性性能の両面において,既存の半教師付き・ラベル付きロバストな手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-17T08:31:59Z)
• Aggregating Soft Labels from Crowd Annotations Improves Uncertainty Estimation Under Distribution Shift [43.69579155156202]
  本稿では,ドメイン外環境での集団ラベルからの学習について,大規模な実証的研究を行った。 タスク間の一貫したパフォーマンスを実現するために,ソフトラベルを単純な平均で集約することを提案する。
  論文  参考訳（メタデータ） (2022-12-19T12:40:18Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Incorporating Label Uncertainty in Understanding Adversarial Robustness [17.65850501514483]
  最先端モデルによって誘導される誤差領域は、ランダムに選択されたサブセットよりもラベルの不確実性が高い傾向を示す。 この観測は,ラベルの不確実性を考慮した濃度推定アルゴリズムの適用を動機付けている。
  論文  参考訳（メタデータ） (2021-07-07T14:26:57Z)
• 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)
• Debiased Contrastive Learning [64.98602526764599]
  我々は,同ラベルデータポイントのサンプリングを補正する,偏りのあるコントラスト目的の開発を行う。 実証的に、提案する目的は、視覚、言語、強化学習ベンチマークにおける表現学習の最先端を一貫して上回る。
  論文  参考訳（メタデータ） (2020-07-01T04:25:24Z)

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。