論文の概要: Embracing Biased Transition Matrices for Complementary-Label Learning with Many Classes

• arxiv url: http://arxiv.org/abs/2605.15586v2
• Date: Mon, 18 May 2026 09:18:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.105263
• Title: Embracing Biased Transition Matrices for Complementary-Label Learning with Many Classes
• Title（参考訳）: 多くのクラスによる相補的ラベル学習のためのバイアス遷移行列の導入
• Authors: Tan-Ha Mai, Chao-Kai Chiang, Han-Hwa Shih, Gang Niu, Masashi Sugiyama, Hsuan-Tien Lin,
• Abstract要約: 補完ラベル学習(Complementary-label Learning, CLL)は、インスタンスに属さないクラスをラベル付けする、弱い教師付きパラダイムである。 本稿では,データ収集からトレーニングまでの原則的フレームワークであるBias-induced Constrained Labeling (BICL)を提案する。 BICLはCIFAR-100とTinyImageNet-200で効果的な学習を可能にし、従来の手法よりも7倍以上の精度向上を実現している。
• 参考スコア（独自算出の注目度）: 52.84921213617238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complementary-label learning (CLL) is a weakly supervised paradigm where instances are labeled with classes they do not belong to. Despite a decade of research, CLL methods remain competitive mainly on 10-class classification, with scaling to large label spaces continuing to be an enduring bottleneck. This limitation stems from the common assumption of uniform label generation in traditional methods, which fatally dilutes the learning signal in many-class settings. In this paper, we demonstrate that this long-standing barrier can be overcome by deliberately designing a biased (non-uniform) generation process that restricts complementary labels to a subset of classes. This finding motivates us to propose Bias-Induced Constrained Labeling (BICL), a principled framework spanning data collection to training that leverages this bias. BICL enables effective learning on CIFAR-100 and TinyImageNet-200, achieving more than sevenfold accuracy improvements over traditional methods. Our findings establish a new trajectory for making CLL feasible for many classes in real-world applications.
• Abstract（参考訳）: 補完ラベル学習(Complementary-label Learning, CLL)は、インスタンスに属さないクラスをラベル付けする、弱い教師付きパラダイムである。 長年の研究にもかかわらず、CLL法は主に10クラスの分類で競合し続けており、大きなラベル空間へのスケーリングは永続的なボトルネックであり続けている。 この制限は、従来の手法における一様ラベル生成の一般的な仮定に起因し、多くのクラス設定で学習信号を致命的に希釈する。 本稿では,クラスの部分集合に相補的なラベルを限定するバイアス付き(一様でない)生成プロセスを意図的に設計することで,この長期的障壁を克服できることを実証する。 この発見は、このバイアスを利用するトレーニングにデータ収集をまたがる原則的フレームワークであるBias-induced Constrained Labeling (BICL)を提案する動機となっている。 BICLはCIFAR-100とTinyImageNet-200で効果的な学習を可能にし、従来の手法よりも7倍以上の精度向上を実現している。 実世界の多くのクラスでCLLを実現するための新たな軌道を確立した。

関連論文リスト

• Mitigating Label Length Bias in Large Language Models [16.378998802160375]
  正規化文脈キャリブレーション(NCC)は、全ラベルレベルでの予測を正規化し、校正する有効な方法である。 NCCは、複数のデータセットやモデルにまたがる以前のアプローチよりも統計的に重要な改善を実現している。 分析の結果、文脈内学習と組み合わせると、NCCは少数ショットのサンプル選択に敏感でなく、競合性能のサンプルが少ないこと、信頼性の高い信頼度を推定できることがわかった。
  論文  参考訳（メタデータ） (2025-11-18T11:45:24Z)
• Completely Weakly Supervised Class-Incremental Learning for Semantic Segmentation [2.7855886538423182]
  本研究は,セマンティックセグメンテーションのためのクラスインクリメンタル学習の完全弱化という課題に対処する。 そこで本研究では,ローカライザからの擬似ラベルと基礎モデルのシーケンスを組み合わせることで,ロバストな擬似ラベルを生成することを提案する。 また,従来のクラスと新しいクラスの両方を含む多様なイメージをガイダンスで生成する,先進的なデータ拡張手法も導入する。
  論文  参考訳（メタデータ） (2025-05-16T01:43:36Z)
• Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
  本稿では,ラベルスキュード・フェデレーション学習の新しいアプローチであるFedVLSを紹介する。 空のクラス蒸留とロジット抑制を同時に統合する。 FedVLSの有効性を検証する実験は、従来のSOTA(State-of-the-art)法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-04T16:06:31Z)
• Complementary Labels Learning with Augmented Classes [22.460256396941528]
  補完ラベル学習 (Complementary Labels Learning, CLL) は、プライベート質問分類やオンライン学習など、現実世界の多くのタスクに現れる。 CLLAC(Complementary Labels Learning with Augmented Classs)と呼ばれる新しい問題設定を提案する。 ラベルのないデータを用いて,CLLACの分類リスクの偏りのない推定手法を提案する。
  論文  参考訳（メタデータ） (2022-11-19T13:55:27Z)
• Class-Imbalanced Complementary-Label Learning via Weighted Loss [8.934943507699131]
  補完ラベル学習(Complementary-label Learning, CLL)は、弱い教師付き分類において広く用いられている。 クラス不均衡のトレーニングサンプルに直面すると、現実世界のデータセットでは大きな課題に直面します。 多クラス分類のためのクラス不均衡補完ラベルからの学習を可能にする新しい問題設定を提案する。
  論文  参考訳（メタデータ） (2022-09-28T16:02:42Z)
• SoLar: Sinkhorn Label Refinery for Imbalanced Partial-Label Learning [31.535219018410707]
  部分ラベル学習(Partial-label Learning, PLL)は、トレーニングサンプルが一般に、単一の真実ではなく、一連の候補ラベルに関連付けられている、独特な弱い教師付き学習課題である。 本稿では,境界クラス事前分布のマッチングに向けて,曖昧なラベルを洗練するための新しいフレームワークであるSoLarを提案する。 SoLarは、従来の最先端の手法に比べて、標準化されたベンチマークにおいてかなり優れた結果を示している。
  論文  参考訳（メタデータ） (2022-09-21T14:00:16Z)
• Transductive CLIP with Class-Conditional Contrastive Learning [68.51078382124331]
  雑音ラベル付き分類ネットワークをスクラッチから学習するための新しいフレームワークであるTransductive CLIPを提案する。 擬似ラベルへの依存を軽減するために,クラス条件のコントラスト学習機構を提案する。 アンサンブルラベルは、ノイズラベル付きディープニューラルネットワークのトレーニングを安定化するための擬似ラベル更新戦略として採用されている。
  論文  参考訳（メタデータ） (2022-06-13T14:04:57Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Federated Learning with Only Positive Labels [71.63836379169315]
  FedAwS(Federated Averaging with Spreadout)という,正のラベルのみを用いたトレーニングのための汎用フレームワークを提案する。 理論的にも経験的にも、FedAwSは、ユーザが負のラベルにアクセス可能な従来の学習のパフォーマンスとほぼ一致していることを示す。
  論文  参考訳（メタデータ） (2020-04-21T23:35:02Z)

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。