論文の概要: D2ACE: Multi-Label Batch Selection Guided by Dual Dynamics and Adaptive Correlation Enhancement

• arxiv url: http://arxiv.org/abs/2605.09400v1
• Date: Sun, 10 May 2026 07:57:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.230008
• Title: D2ACE: Multi-Label Batch Selection Guided by Dual Dynamics and Adaptive Correlation Enhancement
• Title（参考訳）: D2ACE:デュアルダイナミクスと適応相関強化によるマルチラベルバッチ選択
• Authors: Bin Liu, Haoyu Peng, Zhijia Wei, Jiajing Zhang, Grigorios Tsoumakas,
• Abstract要約: D2ACEはDual DynamicsとAdaptive correlation Enhancementによって導かれる新しいマルチラベルバッチ選択法である。 D2ACEは、不確実性と耐雑音性のバランスをとるステージワイドのベルヌーイ混合サンプリングと、現在の計量統計に基づいて各エポックにおけるラベル優先順位を再検討する動的ラベル重み付けを組み合わせることで、メートル法とラベルレベルのトレーニングダイナミクスを明示的に捉えている。
• 参考スコア（独自算出の注目度）: 8.435031053211283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Batch selection is crucial for improving both training efficiency and predictive performance in deep multi-label classification (MLC). Existing batch selection methods typically rely on a single metric to assess instance importance and use static label weights to distinguish label significance, neglecting the dynamic evolution of metric utility and label significance during training. In addition, the method that explicitly exploits label correlations is largely affected by abundant irrelevant labels and insensitive to local label distributions. To address these issues, we propose D2ACE, a novel multi-label batch selection method guided by Dual Dynamics and Adaptive Correlation Enhancement. D2ACE explicitly captures metric and label-level training dynamics by combining stage-wise Bernoulli mixture sampling, which balances uncertainty and noise-resistant hardness, with dynamic label weighting to recalibrate label priorities at each epoch based on current metric statistics. Furthermore, D2ACE introduces a local context-aware correlation enhancement to focus on relevant labels with instance-adaptive dependencies. Extensive experiments on tabular and image benchmarks demonstrate that D2ACE outperforms existing batch selection approaches across various deep MLC models, achieving stronger predictive performance and more efficient correlation modeling.
• Abstract（参考訳）: バッチ選択は、深層多ラベル分類(MLC)におけるトレーニング効率と予測性能の両方を改善するために重要である。 既存のバッチ選択法は、通常、単一のメトリクスを使用してインスタンスの重要度を評価し、静的ラベル重み付けを使用してラベルの重要度を識別し、トレーニング中のメトリックユーティリティの動的進化とラベルの重要度を無視する。 さらに、ラベル相関を明示的に活用する手法は、豊富な無関係なラベルと局所的なラベル分布に不感な影響が大きい。 これらの問題に対処するため,D2ACEを提案する。D2ACEはD2ACEとD2ACEによって導かれる新しいマルチラベルバッチ選択法である。 D2ACEは、不確実性と耐雑音性のバランスをとるステージワイドのベルヌーイ混合サンプリングと、現在の計量統計に基づいて各エポックにおけるラベル優先順位を再検討する動的ラベル重み付けを組み合わせることで、メートル法とラベルレベルのトレーニングダイナミクスを明示的に捉えている。 さらに、D2ACEは、ローカルコンテキスト対応の相関強化を導入し、インスタンス適応依存関係を持つ関連するラベルにフォーカスする。 表と画像のベンチマークによる大規模な実験により、D2ACEは様々な深層LCCモデルで既存のバッチ選択アプローチよりも優れており、より強力な予測性能とより効率的な相関モデリングを実現していることが示された。

関連論文リスト

• DiCaP: Distribution-Calibrated Pseudo-labeling for Semi-Supervised Multi-Label Learning [83.94574004953346]
  半教師付きマルチラベル学習は、ラベルのないデータを活用してモデルの性能を向上させることを目的としている。 既存の手法の多くは、その品質に関わらず、すべての擬似ラベルに等しい重みを割り当てる。 擬似ラベル重みの校正に後部精度を推定する正当性認識フレームワークDiCaPを提案する。
  論文  参考訳（メタデータ） (2025-11-25T11:55:02Z)
• Batch Selection for Multi-Label Classification Guided by Uncertainty and Dynamic Label Correlations [9.360376286221943]
  本研究では,不確実性に基づくマルチラベルバッチ選択アルゴリズムを提案する。 逐次予測と現在の出力の信頼度の違いを考慮し、各ラベルの不確実性を評価する。 実験により,本手法が性能向上に有効であることを実証した。
  論文  参考訳（メタデータ） (2024-12-21T07:49:26Z)
• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Enhancing Label Correlation Feedback in Multi-Label Text Classification via Multi-Task Learning [6.1538971100140145]
  ラベル相関フィードバックを高めるために,マルチタスク学習を用いた新しい手法を提案する。 本稿では,ラベル相関学習を強化するための2つの補助ラベル共起予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-06-06T12:26:14Z)
• 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。