論文の概要: Learning from Label Proportions with Dual-proportion Constraints

• arxiv url: http://arxiv.org/abs/2603.21153v1
• Date: Sun, 22 Mar 2026 10:08:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.264125
• Title: Learning from Label Proportions with Dual-proportion Constraints
• Title（参考訳）: Dual-proportion Constraints を用いたラベル分布からの学習
• Abstract要約: LLP(Learning from Label Proportions)は、トレーニングデータがバッグ、すなわちインスタンスのグループから構成される弱い教師付き問題である。 この設定は、プライバシ制約がインスタンスレベルのアノテーションへのアクセスを制限する場合や、きめ細かいラベル付けがコストがかかる場合、あるいは実用的でない場合、広く適用されます。 トレーニング中の2値比制約(LLP-DC)を利用して,バッグレベルとインスタンスレベルの両方で実施する手法を提案する。
• 参考スコア（独自算出の注目度）: 17.13458769732192
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Learning from Label Proportions (LLP) is a weakly supervised problem in which the training data comprise bags, that is, groups of instances, each annotated only with bag-level class label proportions, and the objective is to learn a classifier that predicts instance-level labels. This setting is widely applicable when privacy constraints limit access to instance-level annotations or when fine-grained labeling is costly or impractical. In this work, we introduce a method that leverages Dual proportion Constraints (LLP-DC) during training, enforcing them at both the bag and instance levels. Specifically, the bag-level training aligns the mean prediction with the given proportion, and the instance-level training aligns hard pseudo-labels that satisfy the proportion constraint, where a minimum-cost maximum-flow algorithm is used to generate hard pseudo-labels. Extensive experimental results across various benchmark datasets empirically validate that LLP-DC consistently improves over previous LLP methods across datasets and bag sizes. The code is publicly available at https://github.com/TianhaoMa5/CV PR2026_Findings_LLP_DC.
• Abstract（参考訳）: LLP(Learning from Label Proportions)は、トレーニングデータがバッグ、すなわちインスタンスのグループで構成され、それぞれにバッグレベルのクラスラベルの比率のみをアノテートする弱い教師付き問題であり、その目的は、インスタンスレベルのラベルを予測する分類器を学ぶことである。 この設定は、プライバシ制約がインスタンスレベルのアノテーションへのアクセスを制限する場合や、きめ細かいラベル付けがコストがかかる場合、あるいは実用的でない場合、広く適用されます。 本研究は,2値制約(LLP-DC)をトレーニング中に利用し,バッグレベルとインスタンスレベルの両方で実施する手法を提案する。 具体的には、バッグレベルのトレーニングは与えられた比率と平均予測を一致させ、インスタンスレベルのトレーニングは比率制約を満たすハード擬似ラベルを調整し、最小限の最大フローアルゴリズムを用いてハード擬似ラベルを生成する。 様々なベンチマークデータセットにわたる大規模な実験結果は、LPP-DCがデータセットとバッグサイズをまたいだ従来のLPPメソッドよりも一貫して改善されていることを実証的に検証している。 コードはhttps://github.com/TianhaoMa5/CV PR2026_Findings_LLP_DCで公開されている。

関連論文リスト

• PaSta: Noisy Node Classification with Partial Label Learning [58.43127707101144]
  本稿では,既存の手法の限界を克服するために,新しいラベルベースの自己学習フレームワークを提案する。 PaStaは、様々なノイズ設定下での分類性能の平均1.1%の改善を実現している。
  論文  参考訳（メタデータ） (2026-08-26T04:40:23Z)
• Mixed Blessing: Class-Wise Embedding guided Instance-Dependent Partial Label Learning [53.64180787439527]
  部分ラベル学習(PLL)では、各サンプルは、基底トラスラベルと複数のノイズラベルからなる候補ラベルセットに関連付けられている。 初めて、各サンプルに対してクラスワイドな埋め込みを作成し、インスタンス依存のノイズラベルの関係を調査できるようにします。 ラベルの曖昧さを低減するため,グローバルな特徴情報を含むクラスプロトタイプのコンセプトを紹介した。
  論文  参考訳（メタデータ） (2024-12-06T13:25:39Z)
• Learning from Label Proportions and Covariate-shifted Instances [12.066922664696445]
  ラベル比(LLP)から学ぶ場合、アグリゲートラベルはバッグ内のインスタンスラベルの平均である。 我々は,対象のバッグラベルとソースのインスタンスラベルを自然に組み込むハイブリッドLPの手法を開発した。
  論文  参考訳（メタデータ） (2024-11-19T08:36:34Z)
• Forming Auxiliary High-confident Instance-level Loss to Promote Learning from Label Proportions [17.36538357653019]
  ラベルパーセンテージ(LLP)からの学習は、各インスタンスのアノテートラベルではなく、インスタンスのバッグとバッグ内のクラスの割合を使用して分類器をトレーニングすることを目的としている。 本稿では,L2P-AHILを用いたLLP手法を提案する。 我々は,L2P-AHILが既存のベースライン法を超越し,バッグサイズが大きくなるにつれて性能向上がさらに重要であることを示す。
  論文  参考訳（メタデータ） (2024-11-15T17:14:18Z)
• Class-aware and Augmentation-free Contrastive Learning from Label Proportion [19.41511190742059]
  Label Proportion(LLP)からの学習(Learning from Label Proportion)は、トレーニングデータを事前定義されたインスタンスのバッグに整理する、弱教師付き学習シナリオである。 本稿では,インスタンスレベルでのクラス認識管理を導入した拡張フリーコントラストフレームワークTabLLP-BDCを提案する。 我々のソリューションは、2段階のBag Different Contrastive(BDC)学習機構を備えており、堅牢なクラス認識インスタンスレベルの監視を確立する。
  論文  参考訳（メタデータ） (2024-08-13T09:04:47Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Learning from Label Proportions: Bootstrapping Supervised Learners via Belief Propagation [18.57840057487926]
  LLP(Learning from Label Proportions)は、トレーニング中にバッグと呼ばれるインスタンスのグループに対して、アグリゲートレベルのラベルしか利用できない学習問題である。 この設定は、プライバシー上の配慮から、広告や医療などの領域で発生する。 本稿では,この問題に対して,反復的に2つの主要なステップを実行する新しいアルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-12T06:09:26Z)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• Instance-Dependent Partial Label Learning [69.49681837908511]
  部分ラベル学習は、典型的には弱教師付き学習問題である。 既存のほとんどのアプローチでは、トレーニングサンプルの間違ったラベルがランダムに候補ラベルとして選択されていると仮定している。 本稿では,各例が実数で構成された潜在ラベル分布と関連していると仮定する。
  論文  参考訳（メタデータ） (2021-10-25T12:50:26Z)
• Fast learning from label proportions with small bags [0.0]
  ラベルパーセンテージ(LLP)から学ぶ場合、インスタンスはバッグにグループ化され、トレーニングバッグの相対クラスパーセンテージが与えられたインスタンス分類器を学習する。 本研究では,全ての一貫したラベルの組み合わせを明示的に考慮し,より効率的なアルゴリズムを設計できる小袋の事例に焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-07T13:11:18Z)
• In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning [53.1047775185362]
  Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。 PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。 そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-15T23:29:57Z)

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。