論文の概要: Conformal Margin Risk Minimization: An Envelope Framework for Robust Learning under Label Noise

• arxiv url: http://arxiv.org/abs/2604.06468v2
• Date: Thu, 09 Apr 2026 23:19:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 13:51:27.662911
• Title: Conformal Margin Risk Minimization: An Envelope Framework for Robust Learning under Label Noise
• Title（参考訳）: コンフォーマルマージンリスク最小化:ラベル雑音下でのロバスト学習のためのエンベロープフレームワーク
• Authors: Yuanjie Shi, Peihong Li, Zijian Zhang, Janardhan Rao Doppa, Yan Yan,
• Abstract要約: 雑音ラベルで学習するプラグイン・アンド・プレイ・エンベロープ・フレームワークである Conformal Margin Risk Minimization (CMRM) を提案する。 CMRMは、観測されたラベルと競合するラベルの間の信頼率を測定し、バッチ毎に推定される共形量子量で閾値付けする。 我々は,任意のラベル雑音下でCMRMの学習境界を導出し,マージン分布の緩やかな規則性しか必要としない。
• 参考スコア（独自算出の注目度）: 25.266679191480268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most methods for learning with noisy labels require privileged knowledge such as noise transition matrices, clean subsets or pretrained feature extractors, resources typically unavailable when robustness is most needed. We propose Conformal Margin Risk Minimization (CMRM), a plug-and-play envelope framework that improves any classification loss under label noise by adding a single quantile-calibrated regularization term, with no privileged knowledge or training pipeline modification. CMRM measures the confidence margin between the observed label and competing labels, and thresholds it with a conformal quantile estimated per batch to focus training on high-margin samples while suppressing likely mislabeled ones. We derive a learning bound for CMRM under arbitrary label noise requiring only mild regularity of the margin distribution. Across five base methods and six benchmarks with synthetic and real-world noise, CMRM consistently improves accuracy (up to +3.39%), reduces conformal prediction set size (up to -20.44%) and does not hurt under 0% noise, showing that CMRM captures a method-agnostic uncertainty signal that existing mechanisms did not exploit.
• Abstract（参考訳）: ノイズラベルで学習するほとんどの方法は、ノイズ遷移行列やクリーンサブセット、事前訓練された特徴抽出器といった特権的な知識を必要とする。 本稿では,1つの定量化正規化項を追加することで,ラベルノイズ下での分類損失を改善するプラグイン・アンド・プレイ・エンベロープ・フレームワークであるConformal Margin Risk Minimization (CMRM)を提案する。 CMRMは、観測されたラベルと競合するラベルの間の信頼性のマージンを測定し、それをバッチ毎に推定した等角質の定量値で閾値付けし、高いマージンサンプルのトレーニングに焦点を合わせながら、おそらくラベルの誤りを抑える。 我々は,任意のラベル雑音下でCMRMの学習境界を導出し,マージン分布の緩やかな規則性しか必要としない。 5つの基本法と6つのベンチマークにおいて、CMRMは、常に精度(+3.39%まで)を向上し、共形予測セットのサイズ(-20.44%まで)を減らし、0%未満のノイズを損なわない。

関連論文リスト

• Can LLMs Learn to Reason Robustly under Noisy Supervision? [31.39996460068968]
  RLVRにおけるノイズラベル機構の体系的解析に向けた第一歩を踏み出す。 データ効率を低下させる非アクティブノイズラベルと、モデルを強化し、リスク回避するアクティブノイズラベルの2種類のノイズを区別する。 この力学によって動機づけられたオンラインラベルリファインメント(OLR)を提案する。
  論文  参考訳（メタデータ） (2026-04-05T06:30:50Z)
• Noise-Adaptive Regularization for Robust Multi-Label Remote Sensing Image Classification [5.658568324275769]
  付加音と減音音を区別する雑音適応正規化法であるNARを提案する。 NARは、既存の方法と比較して、一貫して堅牢性を改善する。 性能改善は、減音と混合ノイズの下で最も顕著である。
  論文  参考訳（メタデータ） (2026-01-13T11:16:45Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Trusted Multi-view Learning under Noisy Supervision [20.668620759102115]
  本稿では,ノイズラベルのガイダンスに基づき,信頼度の高い多視点学習モデルを構築する手法を提案する。 TMNRは明らかなディープニューラルネットワークを使用して、信念と不確実性の両方を捉えるビュー固有の意見を構築する。 TMNR2は、エビデンスラベルの整合性を通じて、潜在的に誤ラベルされたサンプルを特定し、近隣の情報から擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2024-04-18T06:47:30Z)
• 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 Noise: Correcting the Forward-Correction [0.0]
  ラベルノイズのあるデータセット上でニューラルネットワーク分類器を訓練することは、ノイズのあるラベルに過度に適合するリスクをもたらす。 ラベルノイズによる過度適合に対処する手法を提案する。 本研究は, オーバーフィッティングを緩和するために, トレーニング損失に低い限界を課すことを提案する。
  論文  参考訳（メタデータ） (2023-07-24T19:41:19Z)
• Do We Need to Penalize Variance of Losses for Learning with Label Noise? [91.38888889609002]
  ノイズラベルを用いた学習では,差分を増大させる必要がある。 ラベルノイズ遷移行列を利用することで、正規化器は損失の分散を低減することができる。 実験的に,損失の分散を増大させることにより,合成データセットと実世界のデータセットのベースラインの一般化能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-01-30T06:19:08Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Robustness and reliability when training with noisy labels [12.688634089849023]
  教師付き学習のためのデータの遅延は、コストと時間を要する可能性がある。 ディープニューラルネットワークは、ランダムラベルの適合、正規化、ロバストな損失関数の使用を証明している。
  論文  参考訳（メタデータ） (2021-10-07T10:30:20Z)
• A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
  ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。 人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
  論文  参考訳（メタデータ） (2020-12-22T06:36:58Z)
• Meta Transition Adaptation for Robust Deep Learning with Noisy Labels [61.8970957519509]
  本研究では,新しいメタ遷移学習戦略を提案する。 具体的には、クリーンなラベル付きメタデータの小さなセットのサウンドガイダンスにより、ノイズ遷移行列と分類器パラメータを相互に改善することができる。 本手法は, 従来技術よりも頑健な性能で, 遷移行列をより正確に抽出することができる。
  論文  参考訳（メタデータ） (2020-06-10T07:27:25Z)

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。