論文の概要: Risk-Consistent Multiclass Learning from Random Label-Subset Membership Queries

• arxiv url: http://arxiv.org/abs/2605.07413v1
• Date: Fri, 08 May 2026 08:05:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.9126
• Title: Risk-Consistent Multiclass Learning from Random Label-Subset Membership Queries
• Title（参考訳）: ランダムラベルサブセットメンバシップクエリによるリスク一貫性のあるマルチクラス学習
• Authors: Jiaxu Su, Junpeng Li, Changchun Hua, Yana Yang,
• Abstract要約: 本稿では,ランダムラベルサブセットクエリに基づくマルチクラスラーニングフレームワークを提案する。 我々は、経験的リスク最小化(ERM)フレームワークの下で、目標リスクの偏りのない推定器を導出する。 負の経験的リスクとそれに伴うオーバーフィッティング問題に対処するために,非負および絶対値の補正に基づく修正されたリスク推定器を導入する。
• 参考スコア（独自算出の注目度）: 23.692455958661668
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Obtaining accurate class labels is often costly or unreliable, and may also be limited by privacy or other practical conditions. Compared with asking an annotator to provide the exact class, it is often easier to ask whether the true label belongs to a certain label subset. This query-response form defines a distinct weak-supervision mechanism: weak supervision information is generated through feedback on a label subset. Although weakly supervised learning has studied many learning frameworks, most existing work starts from established weak label objects. A systematic characterization is still lacking for weakly supervised learning generated directly by such query response observations. This paper proposes a multiclass learn ing framework under random label-subset queries. We model the data-generating distribution of query-response observations and derive an unbiased estimator of the target risk under the empirical risk minimization (ERM) framework. To address negative empirical risk and the associated overfitting problem, we introduce corrected risk estimators based on non-negative and absolute-value corrections. Theoretical analysis establishes a conditional generalization and excess-risk bound for the unbiased estimator, and a bias-and-consistency result for the corrected risk estimator. Experiments under the matched random-query mechanism demonstrate the feasibility of direct query-response learning and the stabilization effect of risk correction.
• Abstract（参考訳）: 正確なクラスラベルを取得することは、しばしばコストがかかるか信頼性が低いことがあり、プライバシーやその他の実用的な条件によって制限されることもある。 アノテータに正確なクラスを提供するよう求めるのと比較すると、真のラベルが特定のラベルサブセットに属しているかどうかを尋ねるのは容易である。 このクエリ応答形式は、ラベルサブセットのフィードバックを通じて弱い監視情報が生成されるという、明確な弱いスーパービジョンメカニズムを定義する。 弱い教師付き学習は多くの学習フレームワークを研究してきたが、既存の研究のほとんどは、確立された弱いラベルオブジェクトから始まる。 このような問合せ応答の観察によって直接発生する弱い教師付き学習には、体系的な特徴がまだ欠けている。 本稿では,ランダムラベルサブセットクエリに基づくマルチクラスラーニングフレームワークを提案する。 我々は,クエリ応答観測のデータ生成分布をモデル化し,経験的リスク最小化(ERM)フレームワークの下で,対象リスクの偏りのない推定器を導出する。 負の経験的リスクとそれに伴うオーバーフィッティング問題に対処するために,非負および絶対値の補正に基づく修正されたリスク推定器を導入する。 理論的解析により、偏りのない推定器に対する条件付き一般化と過剰リスク境界、補正されたリスク推定器に対するバイアス・アンド・一貫性が確立される。 一致したランダムクエリ機構による実験は、直接クエリ応答学習の実現可能性とリスク修正の安定化効果を示す。

関連論文リスト

• Learning from M-Tuple Dominant Positive and Unlabeled Data [9.568395664931504]
  本稿では,実世界のアプリケーションシナリオに適合する汎用学習フレームワークであるemphMDPUを提案する。 経験的リスク最小化 (ERM) 法に基づいて, リスク一貫性を満足する未バイアスリスク推定器を導出する。 トレーニング中に必然的に過適合する問題を緩和するため、リスク補正手法を導入し、修正されたリスク推定器の開発に繋がる。
  論文  参考訳（メタデータ） (2025-05-25T13:20:11Z)
• Probably Approximately Precision and Recall Learning [60.00180898830079]
  機械学習における重要な課題は、一方的なフィードバックの頻度である。 本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。 我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• An Unbiased Risk Estimator for Partial Label Learning with Augmented Classes [46.663081214928226]
  PLLACを理論的に保証した非バイアスリスク推定器を提案する。 PLLACの推定誤差の理論的解析を行う。 ベンチマーク、UCI、実世界のデータセットの実験では、提案手法の有効性が示されている。
  論文  参考訳（メタデータ） (2024-09-29T07:36:16Z)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• Can Class-Priors Help Single-Positive Multi-Label Learning? [40.312419865957224]
  シングル陽性マルチラベル学習(SPMLL)は、典型的には弱教師付きマルチラベル学習問題である。 クラスプライア推定器を導入し、理論上はクラスプライアに収束することが保証されているクラスプライアを推定することができる。 推定されたクラスプライヤに基づいて、分類のための非バイアスリスク推定器が導出され、対応するリスク最小化器が、完全に教師されたデータ上で、最適リスク最小化器にほぼ収束することを保証できる。
  論文  参考訳（メタデータ） (2023-09-25T05:45:57Z)
• Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
  部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。 既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。 本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T08:35:15Z)

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。