論文の概要: Uncertainty Decomposition via Cyclical SG-MCMC and Soft-label Learning for Subjective NLP

• arxiv url: http://arxiv.org/abs/2605.24773v1
• Date: Sat, 23 May 2026 23:22:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.424973
• Title: Uncertainty Decomposition via Cyclical SG-MCMC and Soft-label Learning for Subjective NLP
• Title（参考訳）: 周期的SG-MCMCとソフトラベル学習による主観的NLPの不確かさ分解
• Authors: Keito Inoshita, Takato Ueno,
• Abstract要約: 凍結したRoBERTa上のリニアヘッドを,5軸評価の下でソフトラベルの対象としたマルコフノテータ分布として訓練する。 28感情のGoEmotionsベンチマークでは、提案手法はモンテカルロ・ドロップアウトとディープ・アンサンブルを3つの軸で同時に上回っている。 ポストホック温度のスケーリングは双方向効果を示し、ハードラベルキャリブレーションとアノテータ-JSD分散独立次元を確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Annotator disagreement in emotion classification reflects ambiguity intrinsic to emotion concepts and is essential for predictor-quality assessment in subjective NLP. Yet no prior work integrates soft-label learning with Bayesian deep learning to evaluate uncertainty along axes including annotator-distribution fidelity. We train a linear head on a frozen RoBERTa via cyclical stochastic gradient Markov chain Monte Carlo (cSG-MCMC), targeting the empirical annotator distribution with a soft-label objective under a five-axis evaluation. On the 28-emotion GoEmotions benchmark, the proposed method outperforms Monte Carlo Dropout and Deep Ensemble simultaneously on three axes -- Jensen-Shannon divergence (JSD) to the annotator distribution, Spearman correlation between per-emotion aleatoric uncertainty and disagreement, and selective-prediction Area Under the Risk-Coverage Curve (AURC) and Area Under the ROC Curve (AUROC) -- showing independent axes are jointly attainable from one posterior. Post-hoc temperature scaling exhibits a bidirectional effect, establishing hard-label calibration and annotator-JSD as independent dimensions and motivating joint reporting as an honest protocol.
• Abstract（参考訳）: 感情分類における注釈の不一致は、感情概念に固有のあいまいさを反映し、主観的NLPにおける予測品質評価に不可欠である。 しかし、それまでの研究では、アノテータ分布フィデリティを含む軸に沿った不確実性を評価するために、ベイズ深層学習とソフトラベル学習を統合していなかった。 凍結したRoBERTa上のリニアヘッドを周期的確率勾配型マルコフ連鎖モンテカルロ (cSG-MCMC) を用いて訓練し, 5軸評価により, ソフトラベルを用いた経験的アノテータ分布を目標とした。 28-emotion GoEmotionsベンチマークにおいて、提案手法はモンテカルロ・ドロップアウトとディープ・アンサンブルを3つの軸(Jensen-Shannon divergence (JSD))とアノテータ分布、感情ごとの不確かさと不一致のスピアマン相関、およびリスク・カウンテージ曲線(AURC)とROC曲線(AUROC)における選択的予測領域(AUROC)の3つの軸で同時に上回り、独立軸は1つの後方から連続的に到達可能であることを示す。 ポストホック温度のスケーリングは双方向効果を示し、独立した次元としてハードラベルキャリブレーションとアノテータ-JSDを確立し、正直なプロトコルとして共同報告を動機付けている。

関連論文リスト

• JointHRRP-Net: A Statistically Constrained Decoupling Network for Joint Target and Jamming Recognition in Composite Jamming [14.51679448895586]
  高分解能レンジプロファイル(HRRP)に基づくレーダー自動目標認識は、ジャミング環境での厳しい性能劣化に悩まされる。 本稿では,ジョイントターゲットジャミング認識のための統合フレームワークであるジョイントHRRP-Netを提案する。
  論文  参考訳（メタデータ） (2026-05-19T08:58:31Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Decoupling the Effect of Chain-of-Thought Reasoning: A Human Label Variation Perspective [60.45433515408158]
  長いチェーン・オブ・ソート(CoT)がトップオプションの決定的決定要因となるが、あいまいなタスクの粒度分布キャリブレータとして機能しないことを示す。 CoTは分布アライメントを改善するが、CoTの内容によって最終的な精度が決定される。
  論文  参考訳（メタデータ） (2026-01-06T16:26:40Z)
• Divergence-Minimization for Latent-Structure Models: Monotone Operators, Contraction Guarantees, and Robust Inference [5.373905622325275]
  我々は、潜時混合モデルにおける堅牢かつ効率的な推論のための分散化最小化(DM)フレームワークを開発する。 残留調整された発散を最適化することにより、DMアプローチはEMを特別なケースとして回収し、堅牢な代替品を生成する。
  論文  参考訳（メタデータ） (2025-11-22T08:25:29Z)
• Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
  本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。 次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。 ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
  論文  参考訳（メタデータ） (2025-09-29T12:15:52Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• Uncertainty Estimation and Out-of-Distribution Detection for LiDAR Scene Semantic Segmentation [0.6144680854063939]
  新しい環境で安全なナビゲーションを行うには、自動運転車やロボットが環境を正確に解釈する必要がある。 そこで本研究では,分布内(ID)と分布外(OOD)を区別する手法を提案する。 一つの決定論的モデルの特徴空間を用いて、疫学とアレター的不確実性の両方を定量化する。
  論文  参考訳（メタデータ） (2024-10-11T10:19:24Z)
• A Skewness-Based Criterion for Addressing Heteroscedastic Noise in Causal Discovery [47.36895591886043]
  非定常対称雑音モデル(HSNMs)について検討する。 データ分布のスコア(すなわちログ密度の勾配)の歪度に基づいて、HSNMを識別するための新しい基準を導入する。 外部ノイズの抽出を必要とせずにヘテロ代用ノイズを処理するアルゴリズムであるSkewScoreを提案する。
  論文  参考訳（メタデータ） (2024-10-08T22:28:30Z)
• Distributional Shift-Aware Off-Policy Interval Estimation: A Unified Error Quantification Framework [8.572441599469597]
  本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。 目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。 提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
  論文  参考訳（メタデータ） (2023-09-23T06:35:44Z)

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。