論文の概要: GAMR: Geometric-Aware Manifold Regularization with Virtual Outlier Synthesis for Learning with Noisy Labels
- arxiv url: http://arxiv.org/abs/2605.20727v1
- Date: Wed, 20 May 2026 05:24:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-21 19:19:56.493176
- Title: GAMR: Geometric-Aware Manifold Regularization with Virtual Outlier Synthesis for Learning with Noisy Labels
- Title（参考訳）: GAMR: 雑音ラベルを用いた学習のための仮想外乱合成による幾何学的対応マニフォールド正規化
- Authors: Ningkang Peng, Jingyang Mao, Xiaoqian Peng, Peirong Ma, Xichen Yang, Weiguang Qu, Yanhui Gu,
- Abstract要約: ディープニューラルネットワーク(DNN)は、ノイズラベルを処理する際に大きなパフォーマンス劣化を経験する。
現在の主流のアプローチでは、トレーニング中にクリーンサンプルを受動的にフィルタリングすることで、この問題を緩和しようとしている。
ノイズの多いデータから学習するための特徴空間幾何を積極的に作り直すことの基本的な重要性を初めて強調する。
- 参考スコア（独自算出の注目度）: 7.09131557837911
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Deep neural networks (DNNs) experience significant performance degradation when processing noisy labels, primarily due to overfitting on mislabeled data. Current mainstream approaches attempt to mitigate this issue by passively filtering clean samples during training. However, simple sample filtering within feature spaces degraded by noise struggles to distinguish between challenging samples and noisy samples, creating a bottleneck for model performance. We highlight for the first time the fundamental importance of actively reshaping feature space geometry for learning from noisy data. We propose a novel Geometry-aware Manifold Regularization Paradigm whose core idea is to explicitly construct energy barriers between data manifolds by actively synthesizing virtual outlier samples. By imposing geometric constraints that promote intra-class compactness and inter-class separation, this approach enhances the discriminability between hard and noisy samples, leading to the learning of more robust representations. Our regularization mechanism exhibits high universality, with effectiveness independent of any prior assumptions about noise patterns. It can be integrated as a standalone mechanism into existing sample selection frameworks, providing stronger robustness against diverse noisy environments. Experiments demonstrate that our paradigm achieves performance surpassing current state-of-the-art (SOTA) methods on multiple benchmarks, including CIFAR-10, with particularly pronounced advantages under more challenging asymmetric noise conditions. Furthermore, this paradigm significantly enhances the model's capability in Out-of-Distribution (OOD) detection, ensuring superior reliability and safety for deployment in open-world scenarios.
- Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、ノイズラベルを処理する際に、主にラベルのずれたデータに過度に適合するため、大幅なパフォーマンス劣化を経験する。
現在の主流のアプローチでは、トレーニング中にクリーンサンプルを受動的にフィルタリングすることで、この問題を緩和しようとしている。
しかし、ノイズによって劣化した特徴空間内の単純なサンプルフィルタリングは、挑戦的なサンプルとノイズの多いサンプルを区別するのに苦労し、モデル性能のボトルネックを生み出した。
ノイズの多いデータから学習するための特徴空間幾何を積極的に作り直すことの基本的な重要性を初めて強調する。
本稿では,データ多様体間のエネルギー障壁を積極的に合成することで,データ多様体間のエネルギー障壁を明示的に構築する,幾何対応マニホールド正規化パラダイムを提案する。
クラス内コンパクト性やクラス間分離を促進する幾何学的制約を課すことで、ハードとノイズの分離性を高め、より堅牢な表現の学習に繋がる。
我々の正規化機構は、ノイズパターンに関する前提によらず、高い普遍性を示す。
既存のサンプル選択フレームワークにスタンドアロンのメカニズムとして統合することができ、さまざまなノイズ環境に対して強力な堅牢性を提供する。
実験により, CIFAR-10を含む複数のベンチマークにおいて, 従来のSOTA法を上回る性能を実現し, より困難な非対称雑音条件下では特に有利であることがわかった。
さらに、このパラダイムは、アウト・オブ・ディストリビューション(OOD)検出におけるモデルの能力を大幅に向上させ、オープンワールドシナリオにおけるデプロイメントの信頼性と安全性を向上する。
関連論文リスト
- HamBR: Active Decision Boundary Restoration Based on Hamiltonian Dynamics for Learning with Noisy Labels [5.589730766225291]
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。
論文 参考訳（メタデータ） (2026-05-12T01:14:35Z) - Provable Sparse Inversion and Token Relabel Enhanced One-shot Federated Learning with ViTs [77.42033827176806]
ワンショットフェデレートラーニング(One-Shot Federated Learning)は、単一のコミュニケーションラウンドでグローバルモデルを学ぶ中央サーバが、有望なパラダイムとして登場したものだ。
本稿では,合成画像の全パッチをフル活用してグローバルモデルをトレーニングする,新しいフェデレーションモデルインバージョンとトークンリラベルフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-11T15:49:08Z) - Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。
我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。
我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
論文 参考訳（メタデータ） (2026-01-19T07:55:29Z) - Test-time Adaptive Hierarchical Co-enhanced Denoising Network for Reliable Multimodal Classification [55.56234913868664]
マルチモーダルデータを用いた信頼性学習のためのTAHCD(Test-time Adaptive Hierarchical Co-enhanced Denoising Network)を提案する。
提案手法は,最先端の信頼性の高いマルチモーダル学習手法と比較して,優れた分類性能,堅牢性,一般化を実現する。
論文 参考訳（メタデータ） (2026-01-12T03:14:12Z) - 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) - 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) - One-step Noisy Label Mitigation [86.57572253460125]
ノイズラベルのトレーニング過程に対する有害な影響の軽減がますます重要になっている。
モデルに依存しないノイズラベル緩和パラダイムである1ステップアンチノイズ(OSA)を提案する。
我々はOSAの優位性を実証的に実証し、トレーニングの堅牢性の向上、タスク転送性の向上、デプロイメントの容易性、計算コストの削減を強調した。
論文 参考訳（メタデータ） (2024-10-02T18:42:56Z) - Robust Learning under Hybrid Noise [24.36707245704713]
本稿では,データリカバリの観点からハイブリッドノイズに対処するため,新たな統合学習フレームワーク"Feature and Label Recovery"(FLR)を提案する。
論文 参考訳（メタデータ） (2024-07-04T16:13:25Z) - Latent Class-Conditional Noise Model [54.56899309997246]
本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。
次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。
提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
論文 参考訳（メタデータ） (2023-02-19T15:24:37Z) - Open-set Label Noise Can Improve Robustness Against Inherent Label Noise [27.885927200376386]
オープンセットノイズラベルは非毒性であり, 固有ノイズラベルに対するロバスト性にも寄与することを示した。
本研究では,動的雑音ラベル(ODNL)を用いたオープンセットサンプルをトレーニングに導入することで,シンプルかつ効果的な正規化を提案する。
論文 参考訳（メタデータ） (2021-06-21T07:15:50Z)
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。