Fugu-MT 論文翻訳(概要): Learnability with Partial Labels and Adaptive Nearest Neighbors

論文の概要: Learnability with Partial Labels and Adaptive Nearest Neighbors

arxiv url: http://arxiv.org/abs/2603.15781v1
Date: Mon, 16 Mar 2026 18:10:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-18 17:42:06.934664
Title: Learnability with Partial Labels and Adaptive Nearest Neighbors
Title（参考訳）: 部分ラベルとアダプティブ近隣住民による学習可能性
Authors: Nicolas A. Errandonea, Santiago Mazuelas, Jose A. Lozano, Sanjoy Dasgupta,
Abstract要約: 部分ラベルによる学習が可能な設定を数学的に特徴付ける。 PL A-$k$NNを提案する。
参考スコア（独自算出の注目度）: 13.304461869104344
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Prior work on partial labels learning (PLL) has shown that learning is possible even when each instance is associated with a bag of labels, rather than a single accurate but costly label. However, the necessary conditions for learning with partial labels remain unclear, and existing PLL methods are effective only in specific scenarios. In this work, we mathematically characterize the settings in which PLL is feasible. In addition, we present PL A-$k$NN, an adaptive nearest-neighbors algorithm for PLL that is effective in general scenarios and enjoys strong performance guarantees. Experimental results corroborate that PL A-$k$NN can outperform state-of-the-art methods in general PLL scenarios.
Abstract（参考訳）: PLL(Partial labels Learning)に関する以前の研究によると、学習は個々のインスタンスがラベルの袋に関連付けられていても可能であり、単一の正確だがコストがかかるラベルではない。しかし、部分ラベルを用いた学習に必要な条件は未定であり、既存のPLL法は特定のシナリオでのみ有効である。本研究では,PLLが実現可能な設定を数学的に特徴付ける。さらに,PL A-$k$NNを提案する。PL A-$k$NNは,一般シナリオにおいて有効であり,高い性能保証を享受できる,PLLの適応的最寄りのアルゴリズムである。実験結果はPL A-$k$NNが一般のPLLシナリオにおいて最先端の手法より優れていることを裏付ける。

関連論文リスト

Tuning the Right Foundation Models is What you Need for Partial Label Learning [55.61644150441799]
部分ラベル学習は、不正確な監督を伴うデータセットから一般化可能な分類器を訓練しようとする。本研究では,13のアプローチによる11の基盤モデルの評価を,3つのシナリオ下で8つのベンチマークデータセット上で実証的に実施する。その結果, 基礎モデルを用いた場合, 2) 互いに著しく類似した性能を示し, 3) 様々なあいまいさレベルにわたって安定な性能を維持し, 4) 基礎モデルの選択や適応戦略に敏感であることがわかった。
論文参考訳（メタデータ） (2025-06-05T13:37:33Z)
Realistic Evaluation of Deep Partial-Label Learning Algorithms [94.79036193414058]
部分ラベル学習(Partial-label Learning, PLL)は、各サンプルが複数の候補ラベルに関連付けられている弱い教師付き学習問題である。近年,モデル性能向上のために多くのディープアルゴリズムが開発されている。初期のアルゴリズムは、しばしば過小評価され、複雑な設計で多くの後のアルゴリズムより優れている。
論文参考訳（メタデータ） (2025-02-14T14:22:16Z)
Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
論文参考訳（メタデータ） (2023-12-18T09:09:52Z)
Complementary Classifier Induced Partial Label Learning [54.61668156386079]
部分ラベル学習(PLL)では、各トレーニングサンプルは候補ラベルのセットに関連付けられ、そのうち1つのみが有効である。曖昧さでは、既存の研究は通常、非候補ラベルセットの有効性を十分に調査しない。本稿では,非候補ラベルを用いて補完的分類器を誘導し,従来の分類器に対する逆関係を自然に形成する。
論文参考訳（メタデータ） (2023-05-17T02:13:23Z)
ALIM: Adjusting Label Importance Mechanism for Noisy Partial Label Learning [46.53885746394252]
雑音部分ラベル学習は、弱教師付き学習の重要な分野である。既存の研究のほとんどは、ノイズのあるサンプルを検出し、各ノイズのあるサンプルの基幹構造を推定しようと試みている。我々は,ALIM(Adjusting Labeling Mechanism)と呼ばれる,理論的な保証を伴う雑音に対する新しい枠組みを提案する。これは、初期候補セットとモデル出力をトレードオフすることで、検出エラーの負の影響を低減することを目的としている。
論文参考訳（メタデータ） (2023-01-28T03:42:53Z)
Progressive Purification for Instance-Dependent Partial Label Learning [37.65717805892473]
部分ラベル学習 (PLL) は、固定だが未知の候補ラベルが正しい候補ラベルのセットでアノテートされた例から、多クラス分類器を訓練することを目的としている。候補ラベルは常にインスタンス依存であり、インスタンス依存の例で訓練されたモデルが理想的な例に収束できるという理論的保証はない。本稿では,POP(PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification, PrOgressive Purification
論文参考訳（メタデータ） (2022-06-02T02:07:12Z)
Few-Shot Partial-Label Learning [25.609766770479265]
部分ラベル学習(Partial-label Learning, PLL)は、一般的に、過度に注釈付けされたサンプルをトレーニングすることで、耐雑音性のあるマルチクラスを誘導することに焦点を当てている。既存の数発の学習アルゴリズムはサポートセットの正確なラベルを仮定する。本稿では,FsPLL (Few-shot Image Learning) というアプローチを提案する。
論文参考訳（メタデータ） (2021-06-02T07:03:54Z)
Provably Consistent Partial-Label Learning [120.4734093544867]
部分ラベル学習 (Partial-label Learning, PLL) は多クラス分類問題である。本稿では,候補ラベル集合の第1世代モデルを提案し,一貫性が保証される2つの新しい手法を開発する。ベンチマークおよび実世界のデータセットの実験は、提案した生成モデルの有効性と2つの方法の有効性を検証する。
論文参考訳（メタデータ） (2020-07-17T12:19:16Z)

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。