論文の概要: DirPA: Addressing Prior Shift in Imbalanced Few-shot Crop-type Classification

• arxiv url: http://arxiv.org/abs/2603.12905v1
• Date: Fri, 13 Mar 2026 11:18:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.061635
• Title: DirPA: Addressing Prior Shift in Imbalanced Few-shot Crop-type Classification
• Title（参考訳）: DirPA:不均衡なFew-shot Crop型分類における事前シフトに対処する
• Authors: Joana Reuss, Ekaterina Gikalo, Marco Körner,
• Abstract要約: 現実世界の農業モニタリングは、しばしば厳しい階級不均衡と高いラベル取得コストによって妨げられる。 本稿では,DirPA(Dirichlet Prior Augmentation)を導入し,モデルトレーニングにおけるラベル分布スキューの効果を積極的に緩和する。 以上の結果から,DirPAが地理的に異なる地域にわたって有効であることが示唆された。
• 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 monitoring is often hampered by severe class imbalance and high label acquisition costs, resulting in significant data scarcity. In few-shot learning (FSL) -- a framework specifically designed for data-scarce settings -- , training sets are often artificially balanced. However, this creates a disconnect from the long-tailed distributions observed in nature, leading to a distribution shift that undermines the model's ability to generalize to real-world agricultural tasks. We previously introduced Dirichlet Prior Augmentation (DirPA; Reuss et al., 2026a) to proactively mitigate the effects of such label distribution skews during model training. In this work, we extend the original study's geographical scope. Specifically, we evaluate this extended approach across multiple countries in the European Union (EU), moving beyond localized experiments to test the method's resilience across diverse agricultural environments. Our results demonstrate the effectiveness of DirPA across different geographical regions. We show that DirPA not only improves system robustness and stabilizes training under extreme long-tailed distributions, regardless of the target region, but also substantially improves individual class-specific performance by proactively simulating priors.
• Abstract（参考訳）: 現実世界の農業モニタリングは、しばしば厳しい階級不均衡と高いラベル取得コストによって妨げられ、データ不足に繋がる。 データスカース設定に特化して設計されたフレームワークである数ショットラーニング(FSL)では、トレーニングセットは、しばしば人工的にバランスが取れます。 しかし、これは自然界で観察される長い尾の分布から切り離され、実際の農業タスクに一般化するモデルの能力を損なう分布シフトに繋がる。 DirPA (Reuss et al , 2026a) を導入し, モデルトレーニングにおけるラベル分布スキューの効果を積極的に緩和した。 本研究では,本研究の地理的範囲を拡大する。 具体的には、この拡張されたアプローチを欧州連合(EU)内の複数の国で評価し、ローカライズされた実験を超えて、多様な農業環境における手法のレジリエンスをテストする。 以上の結果から,DirPAが地理的に異なる地域にわたって有効であることが示唆された。 また,DirPAは,対象領域によらず,システムの堅牢性を向上し,極端に長い尾の分布下でのトレーニングを安定化するだけでなく,事前を積極的にシミュレートすることで,個々のクラス固有の性能を大幅に向上させることを示す。

関連論文リスト

• Towards Fine-Tuning-Based Site Calibration for Knowledge-Guided Machine Learning: A Summary of Results [8.556682505387199]
  FTBSC-KGMLは、事前学習と微調整に基づく空間変数認識、知識誘導型機械学習フレームワークである。 移動学習と空間的不均一性を活用しながら、土地の放出を推定する。 これは純粋にグローバルなモデルよりも低い検証誤差と説明力の整合性を達成する。
  論文  参考訳（メタデータ） (2025-12-17T22:40:54Z)
• Mind the Gap: Bridging Prior Shift in Realistic Few-Shot Crop-Type Classification [0.3823356975862005]
  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。
  論文  参考訳（メタデータ） (2025-11-20T10:39:25Z)
• Federated Learning with Sample-level Client Drift Mitigation [15.248811557566128]
  Federated Learningは、クライアント間のデータの不均一性によって、パフォーマンスが大幅に低下する。 本稿では,まず不均一性問題をサンプルレベルで緩和するFedBSSを提案する。 また,特徴分布とノイズラベルデータセット設定の効果的な結果を得た。
  論文  参考訳（メタデータ） (2025-01-20T09:44:07Z)
• Federated Class-Incremental Learning with Hierarchical Generative Prototypes [10.532838477096055]
  Federated Learning (FL)は、複数のデバイス(クライアント)に分散した計算をすることで、ディープモデルのトレーニングを解き放つことを目的としている。 提案手法は,学習可能なプロンプトを用いてトレーニング済みのバックボーンを効率よく微調整することにより,最終層のバイアスを抑える。 提案手法は現状を著しく改善し, 平均精度は+7.8%向上した。
  論文  参考訳（メタデータ） (2024-06-04T16:12:27Z)
• 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)
• Think Twice Before Selection: Federated Evidential Active Learning for Medical Image Analysis with Domain Shifts [11.562953837452126]
  多様なドメインから得られたローカルデータの情報性を評価するための最初の試みを行う。 本稿では,ドメインシフト下でのデータ評価を校正する新しい手法であるFederated Evidential Active Learning(FEAL)を提案する。
  論文  参考訳（メタデータ） (2023-12-05T08:32:27Z)
• Free Lunch for Domain Adversarial Training: Environment Label Smoothing [82.85757548355566]
  環境ラベル平滑化 (ELS) により, 騒音環境ラベルに対するトレーニング安定性, 局所収束性, 堅牢性を向上する。 特に環境ラベルが騒がしい場合, 領域の一般化・適応タスクについて, 最先端の成果が得られる。
  論文  参考訳（メタデータ） (2023-02-01T02:55:26Z)
• Integrating Local Real Data with Global Gradient Prototypes for Classifier Re-Balancing in Federated Long-Tailed Learning [60.41501515192088]
  フェデレートラーニング(FL)は、グローバルモデルを協調的にトレーニングする複数のクライアントを含む、人気のある分散ラーニングパラダイムになっています。 データサンプルは通常、現実世界の長い尾の分布に従っており、分散化された長い尾のデータのFLは、貧弱なグローバルモデルをもたらす。 本研究では、局所的な実データとグローバルな勾配のプロトタイプを統合し、局所的なバランスの取れたデータセットを形成する。
  論文  参考訳（メタデータ） (2023-01-25T03:18:10Z)
• Self-balanced Learning For Domain Generalization [64.99791119112503]
  ドメインの一般化は、モデルが未知の統計を持つ対象のドメインに一般化できるように、マルチドメインのソースデータの予測モデルを学ぶことを目的としている。 既存のアプローチのほとんどは、ソースデータがドメインとクラスの両方の観点からバランスよく調整されているという前提の下で開発されている。 本稿では,多領域ソースデータの分布の違いによるバイアスを軽減するために,損失の重み付けを適応的に学習する自己均衡型領域一般化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T03:17:54Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)

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。