論文の概要: Active Learning with Foundation Model Priors: Efficient Learning under Class Imbalance
- arxiv url: http://arxiv.org/abs/2606.07630v1
- Date: Sat, 30 May 2026 23:34:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:05.162067
- Title: Active Learning with Foundation Model Priors: Efficient Learning under Class Imbalance
- Title（参考訳）: ファウンデーションモデルによるアクティブラーニング:クラス不均衡下での効率的なラーニング
- Abstract要約: 実世界のデータセットは、しばしば歪んだクラス分布とノイズの多いアノテーションによって特徴づけられる。
本稿では,クラス不均衡を緩和し,アノテートする最も情報性の高いサンプルを選択する,革新的なアクティブラーニングフレームワークを提案する。
本手法は,最高のアクティブラーニングベースラインに比べて50%以上のアノテート節約を実現している。
- 参考スコア（独自算出の注目度）: 14.752201389409917
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world datasets across image and text domains are often characterized by skewed class distributions and noisy annotations, which jointly degrade model performance, particularly on minority classes. Among existing solutions, active learning offers an effective and efficient paradigm by selectively querying the most informative and balanced samples for annotation. We propose an innovative active learning framework that mitigates class imbalance and selects the most informative samples to annotate. Leveraging foundation model priors, our algorithm enables imbalance-aware co-decisions between foundation model and small model to tackle noisy and imbalanced labels across various domains. We introduce the first study to systematically explore active learning under the dual challenges of label noise and class imbalance across image and text domains. Extensive experiments on imbalanced datasets demonstrate that our method achieves substantial annotation savings-over 50% compared to the best active learning baseline-while preserving performance and robustness to label noise.
- Abstract（参考訳）: 画像とテキストドメインにわたる実世界のデータセットは、スキューなクラス分布とノイズの多いアノテーションによって特徴づけられることが多い。
既存のソリューションの中で、アクティブラーニングは、アノテーションのために最も情報に富んだ、バランスのとれたサンプルを選択的にクエリすることで、効果的で効率的なパラダイムを提供する。
本稿では,クラス不均衡を緩和し,アノテートする最も情報性の高いサンプルを選択する,革新的なアクティブラーニングフレームワークを提案する。
基礎モデルに先行する手法を用いることで,基礎モデルと小モデル間の不均衡を考慮した協調決定が可能となり,様々な領域にわたるノイズや不均衡なラベルに対処できる。
本稿では,ラベルノイズと画像領域とテキスト領域間のクラス不均衡という2つの課題の下で,能動学習を体系的に探求する最初の研究を紹介する。
不均衡データセットに対する大規模な実験により,本手法は最高の学習ベースライン保存性能とラベルノイズに対するロバスト性に対して50%以上のアノテート節約を達成することが示された。
関連論文リスト
- Are Candidate Models Really Needed for Active Learning? [0.7176906280023595]
本研究では, ランダムに重みを選択するCNNと変圧器の実現可能性について検討した。
高信頼度(HC)、低信頼度(LC)、早期訓練における高信頼度の組み合わせの3つの信頼性に基づくサンプリング戦略を評価した。
論文 参考訳（メタデータ） (2026-05-14T11:03:29Z) - 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) - BAL: Balancing Diversity and Novelty for Active Learning [53.289700543331925]
多様な不確実なデータのバランスをとるために適応的なサブプールを構築する新しいフレームワークであるBalancing Active Learning (BAL)を導入する。
我々のアプローチは、広く認識されているベンチマークにおいて、確立されたすべてのアクティブな学習方法より1.20%優れています。
論文 参考訳（メタデータ） (2023-12-26T08:14:46Z) - Improved Algorithm for Deep Active Learning under Imbalance via Optimal Separation [15.571923343398657]
クラス不均衡は、機械学習のパフォーマンスが現実世界のアプリケーションにおけるマイノリティクラスに深刻な影響を与える。
DIRECTは,クラス分離境界を識別し,アノテーションの最も不確実な例を選択するアルゴリズムである。
本研究は,クラス不均衡とラベルノイズの両条件下でのアクティブラーニングの総合的研究である。
論文 参考訳（メタデータ） (2023-12-14T18:18:34Z) - Bridging the Gap: Learning Pace Synchronization for Open-World Semi-Supervised Learning [44.91863420044712]
オープンワールドの半教師付き学習において、機械学習モデルはラベルなしのデータから新しいカテゴリを明らかにすることを任務とする。
本稿では,(1)モデル偏差を軽減するためにクラス固有の負のマージンを課するアダプティブ・コミュニケート・ラミナル・ロス,(2)モデルによって予測される擬似ラベルを利用した擬似ラベル・コントラッシブ・クラスタリングについて紹介する。
本手法は,授業の学習速度のバランスを保ち,画像Netデータセットの平均精度を3%向上させる。
論文 参考訳（メタデータ） (2023-09-21T09:44:39Z) - Learning with Noisy Labels through Learnable Weighting and Centroid Similarity [5.187216033152917]
ノイズラベルは、医学診断や自律運転などの領域で一般的である。
本稿では,雑音ラベルの存在下で機械学習モデルを訓練するための新しい手法を提案する。
以上の結果から,本手法は既存の最先端技術よりも一貫して優れていることがわかった。
論文 参考訳（メタデータ） (2023-03-16T16:43:24Z) - Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。
まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。
トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
論文 参考訳（メタデータ） (2022-11-24T13:18:27Z) - Prototype-Anchored Learning for Learning with Imperfect Annotations [83.7763875464011]
不完全な注釈付きデータセットからバイアスのない分類モデルを学ぶことは困難である。
本稿では,様々な学習に基づく分類手法に容易に組み込むことができるプロトタイプ・アンコレッド学習法を提案する。
我々は,PALがクラス不均衡学習および耐雑音学習に与える影響を,合成および実世界のデータセットに関する広範な実験により検証した。
論文 参考訳（メタデータ） (2022-06-23T10:25:37Z) - On Modality Bias Recognition and Reduction [70.69194431713825]
マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。
本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。
本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
論文 参考訳（メタデータ） (2022-02-25T13:47:09Z) - Minority Class Oriented Active Learning for Imbalanced Datasets [6.009262446889319]
本研究では,不均衡なデータセットを対象とした新しいアクティブ学習手法を提案する。
これは、ラベル付きサブセットの不均衡を減らすために、マイノリティクラスにある可能性が高いサンプルを好む。
また、アクティブラーニングのための2つのトレーニングスキームを比較した。
論文 参考訳（メタデータ） (2022-02-01T13:13:41Z) - Class-Balanced Active Learning for Image Classification [29.5211685759702]
本稿では,クラスバランスを考慮に入れた汎用最適化フレームワークを提案する。
3つのデータセットの結果から,本手法は汎用的(既存のほとんどのアクティブラーニングアルゴリズムと組み合わせることができる)であり,情報と代表に基づくアクティブラーニング手法の性能向上に効果的に適用可能であることが示された。
論文 参考訳（メタデータ） (2021-10-09T11:30:26Z) - Online Coreset Selection for Rehearsal-based Continual Learning [65.85595842458882]
継続的な学習では、後に再生されるトレーニング例(コアセット)のサブセットを格納し、破滅的な忘れを軽減します。
提案するオンラインコアセット選択(OCS, Online Coreset Selection)は, 各イテレーションにおいて最も代表的で情報性の高いコアセットを選択するシンプルで効果的な方法である。
提案手法は,過去のタスクに対して高親和性サンプルを選択しながら,目標データセットへのモデル適応を最大化し,破滅的忘れを直接的に抑制する。
論文 参考訳（メタデータ） (2021-06-02T11:39:25Z)
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。