論文の概要: Confusion-Aware Transfer Teacher Curriculum Learning Framework: Disentangling Scoring and Pacing Effects

• arxiv url: http://arxiv.org/abs/2606.17706v1
• Date: Tue, 16 Jun 2026 09:16:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.371456
• Title: Confusion-Aware Transfer Teacher Curriculum Learning Framework: Disentangling Scoring and Pacing Effects
• Title（参考訳）: コンフュージョン・アウェア・トランスファー教師のカリキュラム学習フレームワーク--ペンタングリングとペイシングの効果
• Authors: Savini Kommalage, Sanka Mohottala, Asiri Gawesha, Dulara Madhusanka, Menan Velayuthan, Dharshana Kasthurirathna, Mahima Milinda Alwis Weerasinghe, Charith Abhayaratne,
• Abstract要約: 不正なクラスに対する信頼度と確率分布の両面を考慮した,混乱を考慮した難易度スコアの評価を行った。 混乱に敏感なカリキュラムの注文は、一貫性のあるデータ効率の恩恵をもたらし、20%のデータレギュレーションで最大8.7%のランダム注文を上回ります。
• 参考スコア（独自算出の注目度）: 1.761325598420177
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Curriculum learning couples two design choices, how samples are scored by difficulty and how harder samples are paced into training, making it difficult to attribute observed gains to either component. We disentangle these factors with two evaluation protocols: stage-wise test subsets that validate scoring functions independently of curriculum training, and a baseline that applies the same pacing schedule to randomly ordered data. Within the Transfer Teacher framework (TTF), we use these protocols to evaluate a confusion-aware difficulty score that considers both correct-class confidence and the probability distribution over incorrect classes. On CIFAR-10 with ResNet-18 and VGG-16, the proposed score produces model-interpretable difficulty rankings that align with human intuition. However, at full data, neither curriculum nor anti-curriculum ordering improves accuracy over standard training, indicating that improving the scoring function alone is insufficient to overcome the known failure modes of curriculum learning in TTF. In contrast, We find that confusion-aware curriculum ordering result in consistent data-efficiency benefits, outperforming random ordering by up to 8.7% points at the 20% data regime, suggesting the potential of TTF as a data-efficient training method.
• Abstract（参考訳）: カリキュラム学習には2つの設計選択があり、サンプルが難易度によってどのようにスコアされるか、サンプルがトレーニングにペースされるのがいかに難しいか、それぞれのコンポーネントに観察された利得を属性付けるのが困難である。 我々は,これらの因子を,カリキュラムのトレーニングとは独立してスコアリング機能を評価する段階的テストサブセットと,ランダムに順序付けられたデータに同じペアリングスケジュールを適用するベースラインの2つの評価プロトコルで分離する。 Transfer Teacher framework (TTF) の中では、これらのプロトコルを用いて、正しいクラスの信頼度と誤クラスの確率分布の両方を考慮した、混乱を意識した難易度スコアを評価する。 In CIFAR-10 with ResNet-18 and VGG-16, proposed scores produced model-prepretable difficulty rankings with human intuition。 しかし、フルデータではカリキュラムや反カリキュラム順序付けが標準学習よりも精度を向上せず、スコアリング機能のみの改善は、TTFにおけるカリキュラム学習の既知の失敗モードを克服するには不十分であることを示す。 対照的に、混乱を意識したカリキュラムの注文は一貫性のあるデータ効率の恩恵をもたらし、20%のデータレギュレーションにおいて最大8.7%のランダム注文を上回り、データ効率のトレーニング手法としてのTTFの可能性が示唆される。

関連論文リスト

• When to Ponder: Adaptive Compute Allocation for Code Generation via Test-Time Training [0.0]
  我々は,テストタイムトレーニング更新を選択的にトリガするために,TTT層の自己教師型再構築損失を用いたゲーティング戦略であるポンダーTTTを提案する。 コード言語モデリングにおける GPT-2 モデル (124M から 1.5B ) を用いた実験により,この信号が推論に相容れないことを示した。
  論文  参考訳（メタデータ） (2025-12-31T14:49:54Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• When Do Curricula Work in Federated Learning? [56.88941905240137]
  カリキュラム学習は非IID性を大幅に軽減する。 クライアント間でデータ配布を多様化すればするほど、学習の恩恵を受けるようになる。 本稿では,クライアントの現実的格差を生かした新しいクライアント選択手法を提案する。
  論文  参考訳（メタデータ） (2022-12-24T11:02:35Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Agree to Disagree: Diversity through Disagreement for Better Transferability [54.308327969778155]
  本稿では,D-BAT(Diversity-By-dis-Agreement Training)を提案する。 我々は、D-BATが一般化された相違の概念から自然に現れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T12:03:02Z)
• Fine-Grained Adversarial Semi-supervised Learning [25.36956660025102]
  FGVC(Fen-Grained Visual Categorization)の性能向上のために、SSL(Semi-Supervised Learning)を活用してトレーニングデータの量を増やす。 6つの最先端の細粒度データセットに対して実験を行うことにより、組み合わせた使用の有効性を実証する。
  論文  参考訳（メタデータ） (2021-10-12T09:24:22Z)
• CoMatch: Semi-supervised Learning with Contrastive Graph Regularization [86.84486065798735]
  CoMatchは、支配的なアプローチを統一する、新しい半教師付き学習手法である。 複数のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-11-23T02:54:57Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)

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。