論文の概要: HamBR: Active Decision Boundary Restoration Based on Hamiltonian Dynamics for Learning with Noisy Labels

• arxiv url: http://arxiv.org/abs/2605.11383v1
• Date: Tue, 12 May 2026 01:14:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.507448
• Title: HamBR: Active Decision Boundary Restoration Based on Hamiltonian Dynamics for Learning with Noisy Labels
• Title（参考訳）: HamBR: 雑音ラベルを用いた学習のためのハミルトンダイナミクスに基づくアクティブ決定境界復元
• Authors: Ningkang Peng, Jingyang Mao, Qianfeng Yu, Xiaoqian Peng, Peirong Ma, Yanhui Gu,
• Abstract要約: 大規模視覚認識およびデータマイニングタスクにおいて、ノイズラベルの存在はディープニューラルネットワーク(DNN)の一般化能力を著しく損なう 本研究は,ノイズ・ロバスト学習におけるアクティブ・バウンダリ・リカバリの重要性を強調した最初の試みである。 ハミルトン力学に基づく新しいパラダイムであるHamBRを提案する。
• 参考スコア（独自算出の注目度）: 5.589730766225291
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In large-scale visual recognition and data mining tasks, the presence of noisy labels severely undermines the generalization capability of deep neural networks (DNNs). Prevalent sample selection methods rely primarily on training loss or prediction confidence for passive screening. However, within a feature space degraded by noise, decision boundaries undergo systematic boundary collapse. This phenomenon hinders the ability of the model to distinguish between hard clean samples and noisy samples at the decision margins, thereby creating a significant performance bottleneck. This study is the first to emphasize the pivotal importance of active boundary restoration for noise-robust learning. We propose HamBR, a novel paradigm based on Hamiltonian dynamics. The core approach leverages the Spherical Hamiltonian Monte Carlo (Spherical HMC) mechanism to actively probe inter-class ambiguous regions within the representation space and synthesize high-quality virtual outliers. By imposing explicit repulsion constraints via energy-based modeling, these synthesized samples establish robust energy barriers at the decision boundaries. This mechanism forces real samples to move from dispersed overlapping regions toward their respective class centers, thereby restoring the discriminative sharpness of the decision boundaries. HamBR demonstrates exceptional versatility and can be integrated as a plug-and-play defense module into existing semi-supervised noisy label learning frameworks. Empirical evaluations show that the proposed paradigm significantly enhances the discriminative accuracy of hard boundary samples, achieving state-of-the-art (SOTA) performance on CIFAR-10/100 and real-world noise benchmarks. Furthermore, it exhibits superior convergence efficiency and reliable robustness, while improving significantly the capability of the model for Out-of-Distribution (OOD) detection.
• Abstract（参考訳）: 大規模視覚認識とデータマイニングタスクでは、ノイズラベルの存在はディープニューラルネットワーク(DNN)の一般化能力を著しく損なう。 代表的なサンプル選択法は、主に受動的スクリーニングのためのトレーニング損失や予測信頼度に依存している。 しかし、ノイズによって劣化した特徴空間内では、決定境界は体系的な境界崩壊を起こす。 この現象は、ハードクリーンなサンプルとノイズの多いサンプルを決定マージンで区別する能力を妨げるため、大きなパフォーマンスボトルネックを生み出す。 本研究は,ノイズ・ロバスト学習におけるアクティブ・バウンダリ・リカバリの重要性を強調した最初の試みである。 ハミルトン力学に基づく新しいパラダイムであるHamBRを提案する。 中心となるアプローチは、球状ハミルトニアンモンテカルロ (Spherical Hamiltonian Monte Carlo, Spherical HMC) 機構を利用して、表現空間内のクラス間あいまい領域を積極的に探索し、高品質の仮想外れ値を合成する。 エネルギーベースモデリングにより明確な反発制約を課すことにより、これらの合成サンプルは決定境界において堅牢なエネルギー障壁を確立する。 このメカニズムは、実際のサンプルを分散した領域からそれぞれのクラス中心へ移動させ、それによって決定境界の識別的鋭さを回復させる。 HamBRは優れた汎用性を示しており、既存の半教師付きノイズラベル学習フレームワークにプラグイン・アンド・プレイ・ディフェンスモジュールとして組み込むことができる。 CIFAR-10/100および実環境騒音ベンチマーク上でのSOTA(State-of-the-art)性能を達成することにより,提案手法がハードバウンダリサンプルの識別精度を大幅に向上することを示す。 さらに, コンバージェンス効率と信頼性の高いロバスト性を示すとともに, アウト・オブ・ディストリビューション(OOD)検出モデルの性能を大幅に向上させる。

関連論文リスト

• A Pontryagin Method of Model-based Reinforcement Learning via Hamiltonian Actor-Critic [16.49862942485022]
  Hamiltonian Actor-Critic (HAC) は、明示的な値関数学習を排除したモデルベースのアプローチである。 値近似を避けることにより、HACは収束保証を認めながらモデルエラーに対する感度を低下させる。 限られたデータを持つオフライン設定では、HACは最先端のメソッドと一致または超過し、その強いサンプル効率を強調する。
  論文  参考訳（メタデータ） (2026-03-30T20:14:19Z)
• Domain-Incremental Continual Learning for Robust and Efficient Keyword Spotting in Resource Constrained Systems [0.0]
  キーワード エッジデバイスにデプロイされる小さなフットプリントモデルを備えたスポッティングシステムは、かなりの精度と堅牢性に直面する。 計算効率を維持しつつ,新しい領域に適応する継続的学習のための包括的フレームワークを提案する。 提案したパイプラインは、Mel Frequency Cepstral Coefficients(MFCC)とMel-spectrogram機能の両方を利用して、デュアルインプットの畳み込みニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2026-01-22T17:59:31Z)
• MetaDCSeg: Robust Medical Image Segmentation via Meta Dynamic Center Weighting [77.31583168890633]
  医用画像のセグメンテーションは臨床応用に欠かせないが,うるさいアノテーションやあいまいな解剖学的境界によってしばしば破壊される。 そこで我々は,雑音の多い接地トラスラベルの影響を抑えるために,最適な画素単位の重みを学習する頑健なフレームワークであるMetaDCSegを提案する。 提案手法は, 前景, 背景, 境界中心の重み付き特徴距離を利用して, 曖昧な境界付近の重み付き画素にモデルを向ける。
  論文  参考訳（メタデータ） (2025-11-24T08:51:02Z)
• Dual-granularity Sinkhorn Distillation for Enhanced Learning from Long-tailed Noisy Data [67.25796812343454]
  ディープラーニングのための実世界のデータセットは、クラス不均衡とラベルノイズの共起的な課題にしばしば悩まされる。 蒸留と相補的な知見の統合により二重強靭性を高める新しいフレームワークであるD-SINKを提案する。 ベンチマークデータセットの実験では、D-SINKはロバスト性を大幅に向上し、長い尾のノイズデータから学習する際の強い経験的性能を達成することが示された。
  論文  参考訳（メタデータ） (2025-10-09T13:05:27Z)
• G$^2$RPO: Granular GRPO for Precise Reward in Flow Models [74.21206048155669]
  本稿では,サンプリング方向の高精度かつ包括的な報酬評価を実現する新しいグラニュラー-GRPO(G$2$RPO)フレームワークを提案する。 複数の拡散スケールで計算された利点を集約するマルチグラニュラリティ・アドバンテージ・インテグレーション・モジュールを導入する。 G$2$RPOは既存のフローベースGRPOベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2025-10-02T12:57:12Z)
• Combating Noisy Labels via Dynamic Connection Masking [31.78040205653134]
  MLP(Multi-Layer Perceptron Networks)とKAN(Kolmogorov-Arnold Networks)のための動的接続マスキング(DCM)機構を提案する。 我々のアプローチは、より堅牢なディープネットワークを構築するために、様々なノイズロストトレーニング手法にシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-08-13T10:51:46Z)
• Training-free Quantum-Inspired Image Edge Extraction Method [4.8188571652305185]
  トレーニング不要で量子にインスパイアされたエッジ検出モデルを提案する。 提案手法は,古典的なソベルエッジ検出,シュリンガー波動方程式の洗練,ハイブリッドフレームワークを統合する。 トレーニングの必要性をなくすことで、モデルは軽量で多様なアプリケーションに適用できます。
  論文  参考訳（メタデータ） (2025-01-31T07:24:38Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)

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。