論文の概要: Holistic Optimal Label Selection for Robust Prompt Learning under Partial Labels

• arxiv url: http://arxiv.org/abs/2604.06614v1
• Date: Wed, 08 Apr 2026 02:49:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.31017
• Title: Holistic Optimal Label Selection for Robust Prompt Learning under Partial Labels
• Title（参考訳）: 部分ラベル下でのロバスト・プロンプト学習のための全体的最適ラベル選択
• Authors: Yaqi Zhao, Haoliang Sun, Yating Wang, Yongshun Gong, Yilong Yin,
• Abstract要約: Holistic Optimal Label Selection (HopS) は、大規模な事前学習された視覚言語モデルを下流タスクに適用するためのパラメータ効率の高いアプローチである。 HopSは、部分的な監視の下でパフォーマンスを継続的に改善し、すべてのベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 57.91658393667468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prompt learning has gained significant attention as a parameter-efficient approach for adapting large pre-trained vision-language models to downstream tasks. However, when only partial labels are available, its performance is often limited by label ambiguity and insufficient supervisory information. To address this issue, we propose Holistic Optimal Label Selection (HopS), leveraging the generalization ability of pre-trained feature encoders through two complementary strategies. First, we design a local density-based filter that selects the top frequent labels from the nearest neighbors' candidate sets and uses the softmax scores to identify the most plausible label, capturing structural regularities in the feature space. Second, we introduce a global selection objective based on optimal transport that maps the uniform sampling distribution to the candidate label distributions across a batch. By minimizing the expected transport cost, it can determine the most likely label assignments. These two strategies work together to provide robust label selection from both local and global perspectives. Extensive experiments on eight benchmark datasets show that HopS consistently improves performance under partial supervision and outperforms all baselines. Those results highlight the merit of holistic label selection and offer a practical solution for prompt learning in weakly supervised settings.
• Abstract（参考訳）: プロンプト学習は、大規模な事前学習された視覚言語モデルを下流タスクに適用するためのパラメータ効率の高いアプローチとして注目されている。 しかし、一部のラベルしか入手できない場合、その性能はラベルの曖昧さと不十分な監督情報によって制限されることが多い。 この問題に対処するために,2つの相補的戦略を用いて,事前学習した特徴エンコーダの一般化能力を活用するHolistic Optimal Label Selection (HopS)を提案する。 まず,近傍の候補集合から最頻ラベルを選択し,ソフトマックススコアを用いて特徴空間における構造的規則性を抽出する局所密度に基づくフィルタを設計する。 第2に,一様サンプリング分布をバッチ全体にわたる候補ラベル分布にマッピングする最適輸送に基づくグローバルな選択目標を提案する。 期待される輸送コストを最小限にすることで、最も可能性の高いラベルの割り当てを決定できる。 これら2つの戦略は、ローカルとグローバルの両方の観点から堅牢なラベル選択を提供するために協力する。 8つのベンチマークデータセットに対する大規模な実験は、HopSが部分的な監視の下でパフォーマンスを一貫して改善し、すべてのベースラインを上回ることを示している。 これらの結果は,包括的ラベル選択のメリットを強調し,弱教師付き環境下での学習を促すための実践的なソリューションを提供する。

関連論文リスト

• Semi-Supervised Multi-Label Feature Selection with Consistent Sparse Graph Learning [13.401566810844368]
  既存のマルチラベル手法では、十分なラベル付きサンプルなしでラベル相関を評価できない。 原特徴空間から直接導出される類似性グラフ構造は、多重ラベル問題に対する準最適である。 マルチラベル半教師付き特徴選択のための一貫したスパースグラフ学習法を提案する。
  論文  参考訳（メタデータ） (2025-05-23T13:25:41Z)
• GPMFS: Global Foundation and Personalized Optimization for Multi-Label Feature Selection [0.820217860574125]
  次元性の呪いは、高次元多ラベル学習における主要なボトルネックの1つである。 GPMFS (Global Foundation and Personalized Optimization for Multi-Label Feature Selection) という新しい手法を提案する。 複数の実世界のデータセットの実験により、GPMFSは高い解釈性と堅牢性を維持しながら、優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2025-04-17T08:29:14Z)
• Label Set Optimization via Activation Distribution Kurtosis for Zero-shot Classification with Generative Models [16.130133009174124]
  In-context Learning (ICL) のパフォーマンスは、迅速な設計に非常に敏感である。 ゼロショット分類におけるクラスラベルオプション(レキシコンやオーダーなど)は未定のままである。 本研究では,大規模言語モデルを用いたゼロショットICLにおける最適なラベルセット選択手法であるLOADSを提案する。
  論文  参考訳（メタデータ） (2024-10-24T22:59:23Z)
• Pseudo-labelling meets Label Smoothing for Noisy Partial Label Learning [8.387189407144403]
  我々は、完全注釈付きデータセットのキュレーションが高価である問題に対する効果的な学習パラダイムとして、弱い教師付き学習を動機付けている。 PLL(Partial Learning)は、各トレーニングインスタンスが候補ラベルのセットとペアリングされる、弱い教師付き学習パラダイムである。 本稿では,近傍の重み付けアルゴリズムを用いて,まず画像に擬似ラベルを割り当てるフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-07T13:32:47Z)
• Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
  imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。 我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
  論文  参考訳（メタデータ） (2023-05-22T04:50:28Z)
• Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
  分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。 そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
  論文  参考訳（メタデータ） (2020-10-23T08:33:04Z)
• SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
  我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。 我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-08-16T11:07:44Z)

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。