論文の概要: DynLP: Parallel Dynamic Batch Update for Label Propagation in Semi-Supervised Learning

• arxiv url: http://arxiv.org/abs/2604.06596v1
• Date: Wed, 08 Apr 2026 02:29:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.300404
• Title: DynLP: Parallel Dynamic Batch Update for Label Propagation in Semi-Supervised Learning
• Title（参考訳）: DynLP: 半教師付き学習におけるラベル伝播のための並列動的バッチ更新
• Authors: S M Shovan, Arindam Khanda, S M Ferdous, Sajal K. Das, Mahantesh Halappanavar,
• Abstract要約: 半教師付き学習は,少数のラベル付きデータのみを用いて,クラスラベルを推論することを目的としている。 グラフベースの学習では、通常はラベルの伝搬によってラベルのないノードのラベルを予測する。 現実世界のアプリケーションでは、データはバッチで漸進的に到着することが多い。
• 参考スコア（独自算出の注目度）: 10.048367797959896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semi-supervised learning aims to infer class labels using only a small fraction of labeled data. In graph-based semi-supervised learning, this is typically achieved through label propagation to predict labels of unlabeled nodes. However, in real-world applications, data often arrive incrementally in batches. Each time a new batch appears, reapplying the traditional label propagation algorithm to recompute all labels is redundant, computationally intensive, and inefficient. To address the absence of an efficient label propagation update method, we propose DynLP, a novel GPU-centric Dynamic Batched Parallel Label Propagation algorithm that performs only the necessary updates, propagating changes to the relevant subgraph without requiring full recalculation. By exploiting GPU architectural optimizations, our algorithm achieves on average 13x and upto 102x speedup on large-scale datasets compared to state-of-the-art approaches.
• Abstract（参考訳）: 半教師付き学習は,少数のラベル付きデータのみを用いて,クラスラベルを推論することを目的としている。 グラフに基づく半教師付き学習では、通常はラベルの伝搬によってラベルのないノードのラベルを予測する。 しかし、現実世界のアプリケーションでは、データはバッチで徐々に到着することが多い。 新しいバッチが現れるたびに、すべてのラベルを再計算するために、従来のラベル伝搬アルゴリズムを再適用することは、冗長で、計算集約的で、非効率である。 そこで我々はDynLPを提案する。DynLPはGPU中心の動的バッチ並列ラベル伝搬アルゴリズムで、必要な更新のみを実行し、関連するサブグラフの変更を完全な再計算を必要とせずに伝播する。 GPUアーキテクチャの最適化を利用して、我々のアルゴリズムは、最先端のアプローチと比較して、大規模データセット上で平均13倍、最大102倍のスピードアップを達成する。

関連論文リスト

• Echoless Label-Based Pre-computation for Memory-Efficient Heterogeneous Graph Learning [70.73716819236627]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフの深層学習に広く用いられている。 HGNNは、トレーニング中に繰り返しメッセージパッシングを必要とし、大規模な実世界のグラフの効率を制限している。 プリプロセッシング時にのみメッセージパッシングを行うプリ計算ベースのHGNNを提案する。
  論文  参考訳（メタデータ） (2025-11-14T08:53:39Z)
• ERASE: Error-Resilient Representation Learning on Graphs for Label Noise Tolerance [53.73316938815873]
  本稿では, ERASE (Error-Resilient representation learning on graphs for lAbel noiSe tolerancE) という手法を提案する。 ERASEは、プロトタイプの擬似ラベルとプロパゲーションされた識別ラベルを組み合わせて、表現をエラーレジリエンスで更新する。 提案手法は, 広い雑音レベルにおいて, 複数のベースラインをクリアマージンで上回り, 高いスケーラビリティを享受できる。
  論文  参考訳（メタデータ） (2023-12-13T17:59:07Z)
• Adaptive Anchor Label Propagation for Transductive Few-Shot Learning [18.29463308334406]
  ラベル付きデータによる画像の分類の問題に対処する例は少ない。 識別可能な損失関数を最小化することによりラベル付きデータの特徴埋め込みを適応する新しいアルゴリズムを提案する。 提案アルゴリズムは,1ショット設定と5ショット設定において,標準ラベル伝搬アルゴリズムを最大7%,2%向上させる。
  論文  参考訳（メタデータ） (2023-10-30T20:29:31Z)
• 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)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Adaptive Label Smoothing To Regularize Large-Scale Graph Training [46.00927775402987]
  本研究では, 適応ラベル平滑化法 (ALS) を提案する。 ALSはノードラベルを伝播して、前処理ステップで近隣ラベルの分布を集約し、その後、最適なスムーズなラベルをオンラインで更新して、特定のグラフ構造に適合させる。
  論文  参考訳（メタデータ） (2021-08-30T23:51:31Z)
• Noise-robust Graph Learning by Estimating and Leveraging Pairwise Interactions [123.07967420310796]
  本稿では,グラフ上のノイズノード分類のためのペアワイズフレームワークを提案することにより,そのギャップを埋める。 PI-GNNは、ノイズの多いノードクラスラベルからのポイントワイズ学習に加えて、PIを一次学習プロキシとして依存している。 提案するフレームワークPI-GNNは,(1)PIラベルを適応的に推定する信頼度を考慮したPI推定モデル,(2)PIラベルを推定する疎結合トレーニング手法の2つの新しい構成要素に寄与する。
  論文  参考訳（メタデータ） (2021-06-14T14:23:08Z)
• Semantics through Time: Semi-supervised Segmentation of Aerial Videos with Iterative Label Propagation [16.478668565965243]
  本稿では,SegPropの導入によって自動アノテーションへの重要な一歩を踏み出す。 SegPropは、空間と時間におけるスペクトルクラスタリングに直接接続する、新しい反復フローベースの手法である。 Ruralscapesは、50フレーム毎に高解像度(4K)イメージと手動で注釈付けされた高密度ラベルを備えた、新しいデータセットである。 われわれの小説『SegProp』は、残っていない98%のフレームを90%を超える精度で自動的に注釈付けする。
  論文  参考訳（メタデータ） (2020-10-02T15:15:50Z)

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。