論文の概要: Learning from Similarity/Dissimilarity and Pairwise Comparison
- arxiv url: http://arxiv.org/abs/2603.19713v1
- Date: Fri, 20 Mar 2026 07:35:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:39.042815
- Title: Learning from Similarity/Dissimilarity and Pairwise Comparison
- Title（参考訳）: 相似性と相似性とペアワイズによる学習
- Authors: Tomoya Tate, Kosuke Sugiyama, Masato Uchida,
- Abstract要約: 本稿では,相対的判断,すなわち2つのインスタンス間のクラス合意と正のクラスに対するペアワイズ選好に依存する二分判断に基づく弱教師付き学習フレームワークを提案する。
提案手法は,単一弱いラベルを用いた手法よりも分類性能を向上し,クラス事前推定におけるノイズや不確かさのラベル付けに頑健であることを示す。
- 参考スコア（独自算出の注目度）: 0.07646713951724009
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses binary classification in scenarios where obtaining explicit instance level labels is impractical, by exploiting multiple weak labels defined on instance pairs. The existing SconfConfDiff classification framework relies on continuous valued probabilistic supervision, including similarity-confidence, the probability of class agreement, and confidence-difference, the difference in positive class probabilities. However, probabilistic labeling requires subjective uncertainty quantification, often leading to unstable supervision. We propose SD-Pcomp classification, a binary judgment based weakly supervised learning framework that relies only on relative judgments, namely class agreement between two instances and pairwise preference toward the positive class. The method employs Similarity/Dissimilarity (SD) labels and Pairwise Comparison (Pcomp) labels, and develops two unbiased risk estimators, (i) a convex combination of SD and Pcomp and (ii) a unified estimator that integrates both labels by modeling their relationship. Theoretical analysis and experimental results show that the proposed approach improves classification performance over methods using a single weak label, and is robust to label noise and uncertainty in class prior estimation.
- Abstract（参考訳）: 本稿では、インスタンスペアに定義された複数の弱いラベルを活用することで、明示的なインスタンスレベルのラベルを取得することが現実的でないシナリオにおけるバイナリ分類に対処する。
既存のSconfConfDiff分類フレームワークは、類似性信頼、クラス合意の確率、信頼差、正のクラス確率の差など、継続的な価値ある確率的監督に依存している。
しかし、確率的ラベリングは主観的不確実性定量化を必要とし、しばしば不安定な監督につながる。
SD-Pcomp分類は,相対的判断,すなわち2つのインスタンス間のクラス合意,正のクラスに対するペアワイズ選好にのみ依存する,二分判断に基づく弱教師付き学習フレームワークである。
この手法では、類似性/類似性(SD)ラベルとペアワイズ比較(Pcomp)ラベルを使用し、2つの非バイアスリスク推定器を開発する。
(i)SDとPcompの凸結合
(二)両者の関係をモデル化して両ラベルを統合する統合型推定器。
理論的解析と実験結果から,提案手法は単一弱いラベルを用いた手法よりも分類性能が向上し,クラス事前推定におけるノイズや不確実性に頑健であることが示唆された。
関連論文リスト
- Rethinking Consistent Multi-Label Classification under Inexact Supervision [60.79309683889278]
部分的マルチラベル学習では、各インスタンスには候補ラベルセットがアノテートされ、そのうちいくつかのラベルのみが関連付けられている。
補完的なマルチラベル学習では、各インスタンスは、インスタンスが属さないクラスを示す補完ラベルで注釈付けされる。
論文 参考訳（メタデータ） (2025-10-05T08:30:32Z) - Learning from Uncertain Similarity and Unlabeled Data [6.553242735096595]
ラベルリークを低減するために,各類似度ペアを不確実成分に埋め込んだ新しいフレームワーク,Uncertain similarity and Unlabeled Learning (USimUL)を提案する。
本研究では,従来の類似性に基づく手法と比較して,分類性能が優れていることを示す。
論文 参考訳（メタデータ） (2025-09-15T14:29:36Z) - Learning from Similarity-Confidence and Confidence-Difference [0.07646713951724009]
複数の視点から補完的な弱監督信号を利用する新しい弱監視学習(WSL)フレームワークを提案する。
具体的には,2種類の弱いラベルを統合する手法であるSconfConfDiff Classificationを紹介する。
両推定器が推定誤差境界に対して最適収束率を達成することを証明した。
論文 参考訳（メタデータ） (2025-08-07T07:42:59Z) - Weakly-Supervised Contrastive Learning for Imprecise Class Labels [50.57424331797865]
正対と負対を定義するために「連続的意味的類似性」の概念を導入する。
弱教師付きコントラスト学習のためのグラフ理論フレームワークを提案する。
我々のフレームワークは非常に多用途であり、多くの弱い教師付き学習シナリオに適用できる。
論文 参考訳（メタデータ） (2025-05-28T06:50:40Z) - Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。
均一分布仮定に依存しない一貫したアプローチを提案する。
相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文 参考訳（メタデータ） (2023-11-27T02:59:17Z) - Pointwise Binary Classification with Pairwise Confidence Comparisons [97.79518780631457]
ペアワイズ比較(Pcomp)分類を提案し、ラベルのないデータのペアしか持たない。
我々はPcomp分類をノイズラベル学習に結びつけて、進歩的UREを開発し、一貫性の正則化を課すことにより改善する。
論文 参考訳（メタデータ） (2020-10-05T09:23:58Z)
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。