論文の概要: Neyman-Pearson multiclass classification under label noise via empirical likelihood

• arxiv url: http://arxiv.org/abs/2603.21623v1
• Date: Mon, 23 Mar 2026 06:39:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.528205
• Title: Neyman-Pearson multiclass classification under label noise via empirical likelihood
• Title（参考訳）: 経験的可能性によるラベルノイズ下におけるNeyman-Pearson多クラス分類
• Authors: Qiong Zhang, Qinglong Tian, Pengfei Li,
• Abstract要約: ナイマン・ピアソン・マルチクラス分類(Nyman-Pearson Multiclass classification、NPMC)フレームワークは、クラス固有のエラー確率に上限を課しながら、重み付けされた誤分類リスクを最小限にすることでこの問題に対処する。 本研究では, 学習データにノイズラベルのみが存在する場合のNPMC問題について検討し, 指数傾斜密度比モデルを用いて, ノイズラベルと真のラベルの分布を関連づける経験的可能性(EL)に基づく手法を提案する。
• 参考スコア（独自算出の注目度）: 12.527550498929713
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many classification problems, the costs of misclassifying observations from different classes can be highly unequal. The Neyman-Pearson multiclass classification (NPMC) framework addresses this issue by minimizing a weighted misclassification risk while imposing upper bounds on class-specific error probabilities. Existing NPMC methods typically assume that training labels are correctly observed. In practice, however, labels are often corrupted due to measurement error or annotation, and the effect of such label noise on NPMC procedures remains largely unexplored. We study the NPMC problem when only noisy labels are available in the training data. We propose an empirical likelihood (EL)-based method that relates the distributions of noisy and true labels through an exponential tilting density ratio model. The resulting maximum EL estimators recover the class proportions and posterior probabilities of the clean labels required for error control. We establish consistency, asymptotic normality, and optimal convergence rates for these estimators. Under mild conditions, the resulting classifier satisfies NP oracle inequalities with respect to the true labels asymptotically. An expectation-maximization algorithm computes the maximum EL estimators. Simulations show that the proposed method performs comparably to the oracle classifier under clean labels and substantially improves over procedures that ignore label noise.
• Abstract（参考訳）: 多くの分類問題において、異なるクラスからの観測を誤分類するコストは、非常に不等である。 Neyman-Pearsonマルチクラス分類(NPMC)フレームワークは、クラス固有のエラー確率に上限を課しながら、重み付き誤分類リスクを最小限にすることでこの問題に対処する。 既存のNPMC法は通常、トレーニングラベルが正しく観察されていると仮定する。 しかし実際には、測定誤差やアノテーションによってラベルが劣化することが多く、NPMCプロシージャに対するそのようなラベルノイズの影響は未解明のままである。 トレーニングデータにノイズラベルのみが存在する場合のNPMC問題について検討する。 本稿では,指数傾斜密度比モデルを用いて,雑音と真のラベルの分布を関連づける経験的可能性(EL)に基づく手法を提案する。 得られた最大EL推定器は、エラー制御に必要なクリーンラベルのクラス比率と後部確率を復元する。 我々はこれらの推定器の整合性、漸近正規性、最適収束率を確立する。 穏やかな条件下では、結果の分類器は真のラベルに対するNPオラクルの不等式を漸近的に満足する。 予測最大化アルゴリズムは最大EL推定器を計算する。 シミュレーションにより,提案手法はクリーンラベル下でのオラクル分類器と同等に動作し,ラベルノイズを無視する手順を大幅に改善することが示された。

関連論文リスト

• Optimal Labeler Assignment and Sampling for Active Learning in the Presence of Imperfect Labels [13.796089124499318]
  雑音レベルを最小化してロバストな分類モデルを構築するための新しいALフレームワークを提案する。 提案手法は,各サイクルにおける最大ノイズを最小限に抑えるために,クエリポイントをラベル付けに最適に割り当てる代入モデルを含む。 提案手法は,いくつかのベンチマーク手法と比較して,分類性能を著しく向上することを示した。
  論文  参考訳（メタデータ） (2025-12-14T23:06:37Z)
• Multi-Label Noise Transition Matrix Estimation with Label Correlations: Theory and Algorithm [73.94839250910977]
  ノイズの多いマルチラベル学習は、大規模な正確なラベルの収集によって生じる課題により、注目を集めている。 遷移行列の導入は、マルチラベルノイズをモデル化し、統計的に一貫したアルゴリズムの開発に役立つ。 そこで本稿では, アンカーポイントを必要とせずに, ラベル相関を利用した新しい推定器を提案する。
  論文  参考訳（メタデータ） (2023-09-22T08:35:38Z)
• Label-Retrieval-Augmented Diffusion Models for Learning from Noisy Labels [61.97359362447732]
  ノイズの多いラベルからの学習は、実際のアプリケーションのための機械学習において、重要かつ長年にわたる問題である。 本稿では,生成モデルの観点からラベルノイズ問題を再構成する。 我々のモデルは、標準的な実世界のベンチマークデータセットで新しいSOTA(State-of-the-art)結果を達成する。
  論文  参考訳（メタデータ） (2023-05-31T03:01:36Z)
• 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)
• Asymmetric error control under imperfect supervision: a label-noise-adjusted Neyman-Pearson umbrella algorithm [9.680436421852768]
  Neyman-Pearson(NP)分類パラダイムは、望ましいレベルでより厳しいタイプのエラーを制約する。 NPパラダイムに基づくトレーニングラベルノイズに対して,ほとんどの最先端分類手法を適応する最初の理論支援アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-01T07:10:19Z)
• Unbiased Loss Functions for Multilabel Classification with Missing Labels [2.1549398927094874]
  欠落ラベルは、極端なマルチラベル分類(XMC)タスクにおいてユビキタスな現象である。 本稿では,異なるマルチラベルリダクションに対する特異な非バイアス推定器を導出する。
  論文  参考訳（メタデータ） (2021-09-23T10:39:02Z)
• PLM: Partial Label Masking for Imbalanced Multi-label Classification [59.68444804243782]
  長いラベルの分布を持つ実世界のデータセットで訓練されたニューラルネットワークは、頻繁なクラスに偏りがあり、頻繁なクラスでは不十分である。 本稿では,この比率を利用したPLM(Partial Label Masking)を提案する。 本手法は,マルチラベル (MultiMNIST と MSCOCO) とシングルラベル (CIFAR-10 と CIFAR-100) の2つの画像分類データセットにおいて,既存の手法と比較して高い性能を実現する。
  論文  参考訳（メタデータ） (2021-05-22T18:07:56Z)
• CCMN: A General Framework for Learning with Class-Conditional Multi-Label Noise [40.46921277898713]
  クラス条件ノイズは一般的に機械学習タスクに存在し、クラスラベルは基底値に応じて確率で破壊される。 本稿では,この問題をCCMN(Class-Conditional Multi-label Noise)を用いた学習の一般的な枠組みとして形式化する。 我々は,ccmn問題を解くための誤差境界を持つ2つの非バイアス推定器を確立し,これらが一般的なマルチラベル損失関数と一致することを証明した。
  論文  参考訳（メタデータ） (2021-05-16T03:24:15Z)
• Tackling Instance-Dependent Label Noise via a Universal Probabilistic Model [80.91927573604438]
  本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。 合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
  論文  参考訳（メタデータ） (2021-01-14T05:43:51Z)

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。