論文の概要: From Local Geometry to Global Pseudo Labeling for Robust Positive Unlabeled Learning under Covariate Shift

• arxiv url: http://arxiv.org/abs/2605.31187v1
• Date: Fri, 29 May 2026 11:55:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.582535
• Title: From Local Geometry to Global Pseudo Labeling for Robust Positive Unlabeled Learning under Covariate Shift
• Title（参考訳）: 共変量シフトによるロバストな正の未ラベル学習のための局所幾何学からグローバル擬似ラベリングへ
• Abstract要約: 視覚特徴の局所多様体構造を利用して、シフトするデータを徐々に発見する幾何認識フレームワークを導入する。 我々のアプローチは、異なるタイプのシフトに強く移行し、強力な一般化能力を示す。
• 参考スコア（独自算出の注目度）: 47.77477373749725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting covariate shift is critical for building reliable vision systems. While most prior work focuses on improving robustness to shift, explicitly detecting covariate shift remains underexplored. Existing approaches typically rely on fully supervised training, requiring labeled examples from both original and shifted distributions, which is often impractical. In this paper, we show that covariate shift detection can be effectively addressed with weaker supervision using Positive Unlabeled (PU) learning. However, under covariate shift, in distribution and shifted data overlap significantly, making classical PU methods unstable and sensitive to noise. To overcome this challenge, we introduce Spectral PU Neighborhood Annotation (SPUNA), a geometry aware framework that progressively discovers shifted data by leveraging the local manifold structure of visual features. Extensive experiments show that SPUNA achieves state of the art performance in PU settings and remarkably matches the performances of fully supervised methods. Moreover, our approach transfers robustly across different types of shifts, demonstrating strong generalization capabilities.
• Abstract（参考訳）: 信頼性の高い視覚システムを構築するためには,共変量シフトの検出が重要である。 これまでのほとんどの研究は、シフトに対する堅牢性の改善に重点を置いているが、共変量シフトを明示的に検出することは、まだ未調査のままである。 既存のアプローチは通常、完全に教師されたトレーニングに依存しており、元の分布とシフトした分布の両方のラベル付き例を必要とする。 本稿では,共変量シフト検出が,正の無ラベル学習(PU)を用いて,より弱い監督によって効果的に対処可能であることを示す。 しかし、共変量シフトの下では、分布とシフトデータの重なり合いが大きく、古典的なPU法は不安定でノイズに敏感である。 この課題を克服するために、視覚特徴の局所多様体構造を利用してシフトデータを検出する幾何認識フレームワークであるSpectral PU Neighborhood Annotation (SPUNA)を導入する。 広汎な実験により,SPUNAはPU設定における最先端のパフォーマンスを達成し,完全に教師された手法の性能と著しく一致していることがわかった。 さらに,本手法は異なる種類のシフトに対して頑健に伝達し,強力な一般化能力を示す。

関連論文リスト

• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• Detecting is Easy, Adapting is Hard: Local Expert Growth for Visual Model-Based Reinforcement Learning under Distribution Shift [2.233624388203003]
  我々は,罰則の計画,直接微調整,大域的残差補正,粗いゲーティングなど,変化に対応する方法を研究する。 これらの否定的な結果に基づき,JEPA-Indexed Local Expert Growthを提案する。 クラスタ固有の残留専門家が元のコントローラの上に局所的なアクション補正を追加するのに対して、このメソッドは問題インデックス化のみにフリーズされたJEPA表現を使用する。
  論文  参考訳（メタデータ） (2026-04-30T04:28:02Z)
• Towards Domain-Generalized Open-Vocabulary Object Detection: A Progressive Domain-invariant Cross-modal Alignment Method [59.30562121800656]
  Open-Vocabulary Object Detectionは、新しいカテゴリへの一般化において大きな成功を収めた。 我々は、OVODパラダイムの原則的な見直しを行い、根本的な脆弱性を明らかにする。 PICA(Progressive Domain-invariant Cross-Modal Alignment)を提案する。
  論文  参考訳（メタデータ） (2026-03-29T07:39:31Z)
• Graph Data Augmentation with Contrastive Learning on Covariate Distribution Shift [8.379286663107846]
  コントラスト学習を用いたより強力な適応不変量拡張のためのMPAIACLを提案する。 MPAIACLは、本質的な情報を活用することにより、対照的な学習を活用してベクトル表現の完全なポテンシャルを解き放つ。 MPAIACLはその堅牢な一般化と有効性を示し、他のベースラインとよく比較できる。
  論文  参考訳（メタデータ） (2025-11-30T03:58:55Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• Invariant Anomaly Detection under Distribution Shifts: A Causal Perspective [6.845698872290768]
  異常検出(AD、Anomaly Detection)は、異常なサンプルを識別する機械学習タスクである。 分散シフトの制約の下では、トレーニングサンプルとテストサンプルが同じ分布から引き出されるという仮定が崩壊する。 我々は,異常検出モデルのレジリエンスを,異なる種類の分布シフトに高めようとしている。
  論文  参考訳（メタデータ） (2023-12-21T23:20:47Z)
• Unleashing the Power of Graph Data Augmentation on Covariate Distribution Shift [50.98086766507025]
  本稿では,AIA(Adversarial Invariant Augmentation)という,シンプルで効率の良いデータ拡張戦略を提案する。 AIAは、拡張プロセス中に元の安定した特徴を同時に保存しながら、新しい環境をエクスポーレーションし、生成することを目的としている。
  論文  参考訳（メタデータ） (2022-11-05T07:55:55Z)
• Feature Diversity Learning with Sample Dropout for Unsupervised Domain Adaptive Person Re-identification [0.0]
  本稿では,ノイズの多い擬似ラベルを限定することで,より優れた一般化能力を持つ特徴表現を学習する手法を提案する。 我々は,古典的な相互学習アーキテクチャの下で,FDL(Feature Diversity Learning)と呼ばれる新しい手法を提案する。 実験の結果,提案するFDL-SDは,複数のベンチマークデータセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-01-25T10:10:48Z)

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。