論文の概要: SECOS: Semantic Capture for Rigorous Classification in Open-World Semi-Supervised Learning

• arxiv url: http://arxiv.org/abs/2604.27596v1
• Date: Thu, 30 Apr 2026 08:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.002367
• Title: SECOS: Semantic Capture for Rigorous Classification in Open-World Semi-Supervised Learning
• Title（参考訳）: SECOS: オープンワールドセミスーパービジョンラーニングにおける厳密な分類のためのセマンティックキャプチャ
• Authors: Hezhao Liu, Jiacheng Yang, Junlong Gao, Mengke Li, Yiqun Zhang, Shreyank N Gowda, Yang Lu,
• Abstract要約: オープンワールド半教師付き学習(OWSSL)では、モデルがラベル付きデータと、既知のクラスと新しいクラスの両方を含むラベルなしデータから学習する。 本稿では,SEmantic Capture for Openworld Semi-supervised Learning (SECOS)を紹介した。
• 参考スコア（独自算出の注目度）: 23.12325440029748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In open-world semi-supervised learning (OWSSL), a model learns from labeled data and unlabeled data containing both known and novel classes. In practical OWSSL applications, models are expected to perform rigorous classification by directly selecting the most semantically relevant label from a candidate set for each sample. Existing OWSSL methods fail to achieve this because novel samples are trained without explicit supervision, and these methods lack mechanisms to extract latent semantic information, resulting in predicted labels that have no semantic correspondence to candidate textual labels. To address this, we introduce SEmantic Capture for Open-world Semi-supervised learning (SECOS), which directly predicts textual labels from the candidate set without post-processing, meeting the requirements of practical OWSSL applications. SECOS leverages external knowledge to extract and align semantic representations across modalities for both known and novel classes, providing explicit supervisory signals for training novel classes. Extensive experiments demonstrate that even when existing OWSSL methods are evaluated under the more lenient post-hoc matching setting, SECOS still surpasses them by up to 5.4\% without such assistance, highlighting its superior effectiveness. Code is available at https://github.com/ganchi-huanggua/OSSL-Classification.
• Abstract（参考訳）: オープンワールド半教師付き学習(OWSSL)では、モデルがラベル付きデータと、既知のクラスと新しいクラスの両方を含むラベルなしデータから学習する。 実際のOWSSLアプリケーションでは、モデルが各サンプルの候補セットから最も意味のあるラベルを直接選択することで、厳密な分類を行うことが期待されている。 既存のOWSSLメソッドは、新しいサンプルが明示的な監督なしに訓練され、これらのメソッドは潜在意味情報を抽出するメカニズムが欠如しており、その結果、候補のテキストラベルと意味的対応を持たないラベルが生成されるため、これを達成できない。 これを解決するために、SEmantic Capture for Openworld Semi-supervised Learning (SECOS)を導入し、実際のOWSSLアプリケーションの要件を満たした後処理なしで、候補セットからテキストラベルを直接予測する。 SECOSは外部知識を活用して、既知のクラスと新しいクラスの両方のモダリティにまたがる意味表現を抽出し、調整し、新しいクラスを訓練するための明確な監督信号を提供する。 大規模な実験では、既存のOWSSLメソッドがより寛大なポストホックマッチング設定で評価されたとしても、SECOSはそのようなアシストなしで最大5.4\%以上、その優れた効果を誇示している。 コードはhttps://github.com/ganchi-huanggua/OSSL-Classificationで入手できる。

関連論文リスト

• OwMatch: Conditional Self-Labeling with Consistency for Open-World Semi-Supervised Learning [4.462726364160216]
  半教師付き学習(SSL)は、注釈のないデータの可能性を活用するための堅牢なフレームワークを提供する。 オープンワールドSSL(OwSSL)の出現は、ラベルのないデータが目に見えないクラスのサンプルを包含する、より実践的な課題をもたらす。 我々は,条件付き自己ラベルとオープンワールド階層しきい値を組み合わせたOwMatchという効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-04T06:07:43Z)
• Co-training for Low Resource Scientific Natural Language Inference [65.37685198688538]
  遠隔教師付きラベルに分類器のトレーニング力学に基づいて重みを割り当てる新しいコトレーニング手法を提案する。 予測された信頼度に対する任意のしきい値に基づいてサンプルをフィルタリングするのではなく、重要重みを割り当てることにより、自動ラベル付きデータの使用を最大化する。 提案手法は、遠隔監視ベースラインに対するマクロF1の1.5%の改善と、他の強力なSSLベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-06-20T18:35:47Z)
• Rethinking Open-World Semi-Supervised Learning: Distribution Mismatch and Inductive Inference [37.41840599513765]
  オープンワールド半教師付き学習(OWSSL)は、ラベルなしデータセットの新たなカテゴリを考慮して、従来の半教師付き学習をオープンワールドシナリオに拡張する。 本研究は,既存の文献と比較すると,実際のOWSSLには異なるトレーニング設定,評価方法,学習戦略が必要であることを示唆している。
  論文  参考訳（メタデータ） (2024-05-31T14:21:00Z)
• Robust Semi-Supervised Learning for Self-learning Open-World Classes [5.714673612282175]
  実世界のアプリケーションでは、ラベル付きデータは常にラベル付き集合に存在しないクラスを含んでいる。 本稿では,自己学習型オープンワールドクラス(SSOC)のためのオープンワールドSSL手法を提案する。 SSOCは、複数の人気のある分類ベンチマークで最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-01-15T09:27:46Z)
• Prompt-based Pseudo-labeling Strategy for Sample-Efficient Semi-Supervised Extractive Summarization [12.582774521907227]
  半教師付き学習(SSL)は、ラベル付きデータが不足し、ラベルなしデータが豊富であるシナリオで広く使われているテクニックである。 標準SSLメソッドは、まず分類モデルをトレーニングし、次に分類器の信頼性値を使用して擬似ラベルを選択するために教師-学生パラダイムに従う。 より正確な擬似ラベルでラベルなしのサンプルを抽出するLLMを用いたプロンプトベースの擬似ラベル方式を提案する。
  論文  参考訳（メタデータ） (2023-11-16T04:29:41Z)
• Pseudo-Labeling Based Practical Semi-Supervised Meta-Training for Few-Shot Learning [93.63638405586354]
  擬似ラベルベースメタラーニング(PLML)という,シンプルで効果的なメタトレーニングフレームワークを提案する。 まず、一般的な半教師付き学習(SSL)を用いて分類器を訓練し、ラベルなしデータの擬似ラベルを得る。 ラベル付きおよび擬似ラベル付きデータから数ショットのタスクを構築し、特徴の平滑化と雑音抑圧を伴う新しい微調整法を設計する。
  論文  参考訳（メタデータ） (2022-07-14T10:53:53Z)
• Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
  オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。 我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。 我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
  論文  参考訳（メタデータ） (2021-08-12T09:14:44Z)
• The Role of Global Labels in Few-Shot Classification and How to Infer Them [55.64429518100676]
  メタ学習では、ほとんどショット学習が中心的な問題であり、学習者は新しいタスクに迅速に適応しなければならない。 本稿では,メタラベル学習(MeLa)を提案する。メタラベル学習(MeLa)は,グローバルラベルを推論し,標準分類によるロバストな少数ショットモデルを得る新しいアルゴリズムである。
  論文  参考訳（メタデータ） (2021-08-09T14:07:46Z)

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。