論文の概要: Revisiting Unknowns: Towards Effective and Efficient Open-Set Active Learning

• arxiv url: http://arxiv.org/abs/2603.07898v1
• Date: Mon, 09 Mar 2026 02:35:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.349569
• Title: Revisiting Unknowns: Towards Effective and Efficient Open-Set Active Learning
• Title（参考訳）: 未知を再考する: 効率的かつ効率的なオープンセットアクティブラーニングを目指して
• Authors: Chen-Chen Zong, Yu-Qi Chi, Xie-Yang Wang, Yan Cui, Sheng-Jun Huang,
• Abstract要約: Open-set Active Learning (OSAL) は、未ラベルデータに未確認のクラスが含まれている場合、アノテーションのための情報サンプルを特定することを目的としている。 本稿では,E$2$OAL(Effective and Efficient Open-set Active Learning)を提案する。 E$2$OALは、より強力な監視と信頼性の高いクエリの両方のためにラベル付き未知をフル活用する。
• 参考スコア（独自算出の注目度）: 32.530220943884665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-set active learning (OSAL) aims to identify informative samples for annotation when unlabeled data may contain previously unseen classes-a common challenge in safety-critical and open-world scenarios. Existing approaches typically rely on separately trained open-set detectors, introducing substantial training overhead and overlooking the supervisory value of labeled unknowns for improving known-class learning. In this paper, we propose E$^2$OAL (Effective and Efficient Open-set Active Learning), a unified and detector-free framework that fully exploits labeled unknowns for both stronger supervision and more reliable querying. E$^2$OAL first uncovers the latent class structure of unknowns through label-guided clustering in a frozen contrastively pre-trained feature space, optimized by a structure-aware F1-product objective. To leverage labeled unknowns, it employs a Dirichlet-calibrated auxiliary head that jointly models known and unknown categories, improving both confidence calibration and known-class discrimination. Building on this, a logit-margin purity score estimates the likelihood of known classes to construct a high-purity candidate pool, while an OSAL-specific informativeness metric prioritizes partially ambiguous yet reliable samples. These components together form a flexible two-stage query strategy with adaptive precision control and minimal hyperparameter sensitivity. Extensive experiments across multiple OSAL benchmarks demonstrate that E$^2$OAL consistently surpasses state-of-the-art methods in accuracy, efficiency, and query precision, highlighting its effectiveness and practicality for real-world applications. The code is available at github.com/chenchenzong/E2OAL.
• Abstract（参考訳）: オープンセットアクティブラーニング(OSAL)は、未ラベルデータに未確認のクラスが含まれている場合、アノテーションのための情報サンプルを特定することを目的としている。 既存のアプローチは、通常、個別に訓練されたオープンセット検出器に依存し、かなりの訓練オーバーヘッドを導入し、既知のクラス学習を改善するためのラベル付き未知の監督的価値を見落としている。 本稿では,ラベル付き未知語を完全に活用し,より強力な監視と信頼性の高いクエリを両立するE$^2$OAL(Effective and Efficient Open-set Active Learning)を提案する。 E$^2$OAL は、最初に、構造を意識した F1-積の目的によって最適化された、凍った対照的に事前訓練された特徴空間におけるラベル誘導クラスタリングを通じて未知の潜在クラス構造を明らかにする。 ラベル付き未知を活用すべく、ディリクレ校正補助ヘッドを使用し、既知のカテゴリと未知のカテゴリを共同でモデル化し、信頼性校正と既知の階級識別の両方を改善している。 これに基づいて、ロジットマージン純度スコアは、高純度候補プールを構築するための既知のクラスの可能性を推定する。 これらのコンポーネントは、適応的精度制御と最小限のハイパーパラメータ感度を備えたフレキシブルな2段階クエリ戦略を形成する。 複数のOSALベンチマークによる大規模な実験により、E$^2$OALは精度、効率、クエリの精度において常に最先端の手法を上回り、実世界のアプリケーションの有効性と実用性を強調している。 コードはgithub.com/chenchenzong/E2OALで入手できる。

関連論文リスト

• Open-World Deepfake Attribution via Confidence-Aware Asymmetric Learning [78.92934995292113]
  本稿では,既知の偽造と新規な偽造の信頼のバランスをとる,信頼を意識した非対称学習(CAL)フレームワークを提案する。 CALは従来手法を一貫して上回り、既知の偽造と新しい偽造の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-14T12:31:28Z)
• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Informed Decision-Making through Advancements in Open Set Recognition and Unknown Sample Detection [0.0]
  オープンセット認識(OSR)は、より現実に近い状況に分類タスクを導入することを目的としている。 本研究は,OSRタスクの分類を改善するために,特徴空間の新たな表現を探索するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-05-09T15:15:34Z)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• Complementary Labels Learning with Augmented Classes [22.460256396941528]
  補完ラベル学習 (Complementary Labels Learning, CLL) は、プライベート質問分類やオンライン学習など、現実世界の多くのタスクに現れる。 CLLAC(Complementary Labels Learning with Augmented Classs)と呼ばれる新しい問題設定を提案する。 ラベルのないデータを用いて,CLLACの分類リスクの偏りのない推定手法を提案する。
  論文  参考訳（メタデータ） (2022-11-19T13:55:27Z)
• Prompt-driven efficient Open-set Semi-supervised Learning [52.30303262499391]
  オープンセット半教師付き学習(OSSL)は関心を集めており、未ラベルデータにのみOOD(Out-of-distribution)サンプルが組み込まれているというより実践的なシナリオを調査している。 我々はOpenPromptと呼ばれる,プロンプト駆動の効率的なOSSLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-28T16:25:08Z)
• Active Learning for Open-set Annotation [38.739845944840454]
  我々はLfOSAと呼ばれる新しいアクティブラーニングフレームワークを提案する。このフレームワークは、効果的なサンプリング戦略を用いて分類性能を高め、アノテーションのための既知のクラスからサンプルを正確に検出する。 実験結果から,提案手法は既知のクラスの選択精度を著しく向上し,アノテーションコストの低い分類精度を最先端の能動学習法よりも向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-01-18T06:11:51Z)
• Discriminative Nearest Neighbor Few-Shot Intent Detection by Transferring Natural Language Inference [150.07326223077405]
  データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。 深部自己注意を伴う識別的近傍分類を提示する。 自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
  論文  参考訳（メタデータ） (2020-10-25T00:39:32Z)

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。