論文の概要: Finding Needles in the Haystack: Transductive Active Labeling in Ecology

• arxiv url: http://arxiv.org/abs/2606.03821v1
• Date: Tue, 02 Jun 2026 16:01:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.140921
• Title: Finding Needles in the Haystack: Transductive Active Labeling in Ecology
• Title（参考訳）: ヘイスタックにおける針の発見:生態学におけるトランスダクティブアクティブラベリング
• Authors: Rupa Kurinchi-Vendhan, Sara Beery,
• Abstract要約: 現在のプラクティスは、アクティブな学習を誘導的に評価し、ホールドアウトテストセットでの予測性能を推定します。 人間のループを無視することは、ラベルの継続の重要性を過小評価することを示した。 我々の分析は、この長い尾において、トランスダクティブな目的が、予測から発見へと重要度をシフトしていることを示している。
• 参考スコア（独自算出の注目度）: 7.12575887960999
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Active learning is now standard practice in labeling ecological data, enabling ecologists to quickly process large volumes of field data to understand and monitor natural environments. Current practices evaluate active learning inductively, estimating predictive performance on a held-out test set. We argue that this evaluation is misaligned with most ecological tasks, where the goal is to transductively label an entire pool of data as efficiently as possible. We demonstrate that ignoring the human-in-the-loop underestimates the importance of continuing to label, particularly for classes in the long tail which may be of disproportionate ecological importance (rare species, uncommon behaviors, etc.). Our analysis shows that, for this long tail, the transductive objective shifts importance from prediction to discovery: the true challenge becomes finding "needles in the haystack," examples of rare classes that are embedded within dense regions of abundant classes in the latent geometry, which we quantify with a novel metric of sampling difficulty. Finally, to translate these insights to practical ecological workflows, we propose a conservative hybrid stopping criterion inspired by ecological rarefaction curves, and show that combining predictive performance with discovery criteria reduces premature stopping on long-tailed pools, improving rare-class recovery when discovery, not classification, is the limiting factor.
• Abstract（参考訳）: 現在、アクティブラーニングは生態データのラベル付けにおける標準的な実践であり、生態学者は大量のフィールドデータを迅速に処理して自然環境を理解し監視することができる。 現在のプラクティスは、アクティブな学習を誘導的に評価し、ホールドアウトテストセットでの予測性能を推定します。 この評価は、データプール全体をできるだけ効率的にトランスダクティブにラベルすることを目的としている、ほとんどの生態的タスクと不一致である、と我々は主張する。 特に, 生態学的に重要視される長い尾のクラス(希少種, 異常行動など)について, ラベル付けを継続することの重要性を過小評価していることが実証された。 我々の分析は、この長い尾において、トランスダクティブな目的は、予測から発見へと重要度をシフトしていることを示している:真の挑戦は、サンプリングの難易度に関する新しい計量で定量化される、潜在幾何学における豊富なクラスの密集した領域に埋め込まれた希少なクラス(英語版)の例である「干し草のスタックのニードル」を見つけることである。 最後に,これらの知見を生態学的ワークフローに変換するために,生態学的レアファクト曲線に着想を得た保守的ハイブリッド停止基準を提案し,発見基準と予測性能を組み合わせることで,長期プールの早期停止を低減し,発見が限界要因であることを示す。

関連論文リスト

• From Articles to Canopies: Knowledge-Driven Pseudo-Labelling for Tree Species Classification using LLM Experts [0.0]
  本稿では,多センサ地球観測データと専門家の生態知識を統合した生物情報に基づく半教師付き深層学習手法を提案する。 このアプローチは生物学的にインスパイアされた擬似ラベリングを事前計算された天蓋グラフに頼り、訓練コストの低い正確な分類をもたらす。 実世界の森林データセットの実験では、最良の基準法よりも5.6%改善されている。
  論文  参考訳（メタデータ） (2026-04-17T14:52:02Z)
• Active Learning for Planet Habitability Classification under Extreme Class Imbalance [0.0]
  我々は、Habitable World CatalogとNASA Exoplanet Archiveから統合されたデータセットを構築した。 希少な潜在的に居住可能な惑星の同定を優先するために、リコールのために監督されたベースラインが確立され、最適化されている。 アクティブな学習は、教師付きパフォーマンスにアプローチするのに必要なラベル付きインスタンスの数を大幅に削減する。
  論文  参考訳（メタデータ） (2026-02-27T04:18:11Z)
• SSL4Eco: A Global Seasonal Dataset for Geospatial Foundation Models in Ecology [6.4737780860379806]
  自己教師付き学習は、ラベルのないデータからの学習表現を可能にした。 これらのモデルは、高い人間の活動領域に偏ったデータセットに基づいて訓練されることが多い。 植生の季節性を世界規模でより正確に把握するために, 簡易な表現インフォームドサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-25T10:58:44Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
  $k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。 k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-12-15T14:04:23Z)
• A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
  本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。 本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。 本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
  論文  参考訳（メタデータ） (2023-11-11T01:53:59Z)
• Complex data labeling with deep learning methods: Lessons from fisheries acoustics [0.0]
  本論文は, 根拠となる真理ラベルが不要であるケーススタディ, エコーグラフラベリングに焦点を当てた。 我々は、非定常データセットでトレーニングされた畳み込みニューラルネットワークが、人間の専門家の補正を必要とする新しいデータセットの一部を強調するために使用できることを実証した。
  論文  参考訳（メタデータ） (2020-10-21T13:49:34Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)

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。