論文の概要: From Model Uncertainty to Human Attention: Localization-Aware Visual Cues for Scalable Annotation Review

• arxiv url: http://arxiv.org/abs/2605.12303v1
• Date: Tue, 12 May 2026 15:54:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.98656
• Title: From Model Uncertainty to Human Attention: Localization-Aware Visual Cues for Scalable Annotation Review
• Title（参考訳）: モデル不確かさから人間の注意へ: スケーラブルアノテーションレビューのための局在対応ビジュアルキュー
• Authors: Moussa Kassem Sbeyti, Joshua Holstein, Philipp Spitzer, Nadja Klein, Gerhard Satzger,
• Abstract要約: 本研究では,空間不確かさを視覚的に可視化する効果について検討する。 120人の参加者による対照研究では、不確実性を受ける人はラベルの質が向上し、全体としてはより高速である。 これらの知見は,ヒト・イン・ザ・ループのアノテーションを改善するためのレバーとして,局所化の不確実性を確立した。
• 参考スコア（独自算出の注目度）: 6.286472799566988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-quality labeled data is essential for training robust machine learning models, yet obtaining annotations at scale remains expensive. AI-assisted annotation has therefore become standard in large-scale labeling workflows. However, in tasks where model predictions carry two independent components, a class label and spatial boundaries, a model may classify an object with high confidence while mislocalizing it. Existing AI-assisted workflows offer annotators no signal about where spatial errors are most likely. Without such guidance, humans may systematically underinspect subtly misplaced boxes. We address this by studying the effect of visualizing spatial uncertainty via a purpose-built interface. In a controlled study with 120 participants, those receiving uncertainty cues achieve higher label quality while being faster overall. A box-level analysis confirms that the cues redirect annotator effort toward high-uncertainty predictions and away from well-localized boxes. These findings establish localization uncertainty as a lever to improve human-in-the-loop annotation. Code is available at https://mos-ks.github.io/MUHA/.
• Abstract（参考訳）: 堅牢な機械学習モデルのトレーニングには高品質なラベル付きデータが必要ですが、大規模なアノテーションの取得にはコストがかかります。 そのため、AI支援アノテーションは大規模ラベリングワークフローにおいて標準となっている。 しかし、モデル予測がクラスラベルと空間境界という2つの独立したコンポーネントを持つタスクでは、モデルはそれを非局所化しながら高い信頼性でオブジェクトを分類することができる。 既存のAI支援ワークフローは、アノテータに、空間的エラーが最も起こりそうな場所に関する信号を提供しない。 このようなガイダンスがなければ、人間は微妙に誤って配置された箱を体系的に過小評価する。 本研究は,空間不確かさを視覚的に可視化する目的で構築されたインタフェースを用いて,この問題に対処するものである。 120人の参加者による対照研究では、不確実性を受ける人はラベルの質が向上し、全体としてはより高速である。 ボックスレベルの分析では、キューがアノテータを高い不確実性予測にリダイレクトし、よく局在したボックスから離れることを確認している。 これらの知見は,ヒト・イン・ザ・ループのアノテーションを改善するためのレバーとして,局所化の不確実性を確立した。 コードはhttps://mos-ks.github.io/MUHA/で公開されている。

関連論文リスト

• Learning Uncertainty from Sequential Internal Dispersion in Large Language Models [52.29267172760918]
  不確実性推定は、大規模言語モデルにおける幻覚を検出するための有望なアプローチである。 最近の手法は一般に不確実性を推定するために内部状態のモデルに依存する。 本稿では,教師付き幻覚検出フレームワークであるシークエンシャル内部変数表現(SIVR)を提案する。
  論文  参考訳（メタデータ） (2026-04-17T06:31:29Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• Going Beyond One-Hot Encoding in Classification: Can Human Uncertainty Improve Model Performance? [14.610038284393166]
  ラベルの不確実性は、分散ラベルを介してトレーニングプロセスに明示的に組み込まれていることを示す。 ラベルの不確実性の取り込みは、モデルが見つからないデータをより一般化し、モデルの性能を向上させるのに役立ちます。 既存のキャリブレーション法と同様に、分布ラベルはより良いキャリブレーションの確率をもたらし、それによってより確実で信頼できる予測が得られる。
  論文  参考訳（メタデータ） (2022-05-30T17:19:11Z)

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。