論文の概要: SLeDGe: Semi-Supervised Learning on Data Streams with Graph Structure Learning

• arxiv url: http://arxiv.org/abs/2606.21096v1
• Date: Fri, 19 Jun 2026 04:53:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 08:20:49.648833
• Title: SLeDGe: Semi-Supervised Learning on Data Streams with Graph Structure Learning
• Title（参考訳）: SLeDGe: グラフ構造学習によるデータストリームの半教師付き学習
• Authors: Heechan Moon, Kijung Shin,
• Abstract要約: 本稿では,厳密なメモリとラベル制約の下で予測モデルと適応グラフ構造を共同で学習するデータストリームのSSL手法であるSLeDGeを提案する。 121.7%のデータセットで、SLeDGeは最先端の競合より優れており、平均相対精度は31.7%、ラベルは0.1%、ラベルは14.8%である。
• 参考スコア（独自算出の注目度）: 31.274154769685953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semi-supervised learning (SSL) on data streams is challenging due to the continuous evolution of high-volume data and the scarcity of labels. Existing methods are limited in leveraging the intrinsic relationships among samples because they typically rely on fixed similarity measures or static graph structures, which cannot capture how relationships evolve over time. We propose SLeDGe, an SSL method for data streams that jointly learns a predictive model and an adaptive graph structure under strict memory and label constraints. SLeDGe maintains compact labeled and unlabeled memories using distinct update strategies, balancing rapid adaptation to novel features with the retention of historical consistency. In addition, by encouraging sparsity in the relational graph, SLeDGe filters out spurious connections and enables effective propagation of label supervision. Across 12 datasets, SLeDGe outperforms state-of-the-art competitors, achieving average relative accuracy gains of 31.7% with 0.1% labels and 14.8% with 1% labels.
• Abstract（参考訳）: データストリーム上の半教師付き学習(SSL)は、高ボリュームデータの継続的な進化とラベルの不足のために困難である。 既存の手法は、通常、固定された類似度尺度や静的グラフ構造に依存しており、時間とともにどのように関係が進化するかを把握できないため、サンプル間の本質的な関係を利用するのに限られている。 本稿では,厳密なメモリとラベル制約の下で予測モデルと適応グラフ構造を共同で学習するデータストリームのSSL手法であるSLeDGeを提案する。 SLeDGeは、異なる更新戦略を使用してラベル付きおよびラベルなしのメモリを維持し、新しい特徴への迅速な適応と歴史的一貫性の維持のバランスをとる。 さらに、SLeDGeは、リレーショナルグラフのスパーシリティを奨励することにより、スプリアス接続をフィルタリングし、ラベル管理の効果的な伝播を可能にする。 12のデータセットで、SLeDGeは最先端の競合より優れており、平均相対精度は31.7%、ラベルは0.1%、ラベルは14.8%である。

関連論文リスト

• Self-Training the Neurochaos Learning Algorithm [0.0]
  本研究では,この制約を克服するために,ニューロカオス学習(NL)としきい値に基づく自己学習(ST)手法を統合したハイブリッド半教師付き学習アーキテクチャを提案する。 提案した自己学習型ニューロカオス学習(NL+ST)アーキテクチャは,スタンドアロンSTモデルと比較して一貫して優れた性能向上を実現している。
  論文  参考訳（メタデータ） (2026-01-03T10:24:01Z)
• Stratify: Rethinking Federated Learning for Non-IID Data through Balanced Sampling [9.774529150331297]
  Stratifyは、トレーニング全体を通してクラスとフィーチャーの配布を体系的に管理するために設計された、新しいFLフレームワークである。 従来の階層化サンプリングに着想を得て,SLS(Stratified Label Schedule)を用いてラベル間のバランスの取れた露出を確保する。 プライバシーを守るため,同型暗号化を利用したセキュアクライアント選択プロトコルを実装した。
  論文  参考訳（メタデータ） (2025-04-18T04:44:41Z)
• Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
  現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。 本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。 我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
  論文  参考訳（メタデータ） (2024-10-08T15:06:10Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Class-Aware Contrastive Semi-Supervised Learning [51.205844705156046]
  本研究では,擬似ラベル品質を向上し,実環境におけるモデルの堅牢性を高めるため,CCSSL(Class-Aware Contrastive Semi-Supervised Learning)と呼ばれる一般的な手法を提案する。 提案するCCSSLは,標準データセットCIFAR100とSTL10の最先端SSLメソッドに対して,大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-03-04T12:18:23Z)
• Contrastive Regularization for Semi-Supervised Learning [46.020125061295886]
  そこで本稿では, ラベルのないデータの特徴量により, 整合正則化の効率性と精度を両立させるために, 対照的な正則化を提案する。 また,提案手法は,ラベルなしデータに分布しないサンプルを含むオープンセット半教師付き学習において,頑健な性能を示す。
  論文  参考訳（メタデータ） (2022-01-17T07:20:11Z)
• Self-Tuning for Data-Efficient Deep Learning [75.34320911480008]
  セルフチューニングは、データ効率のよいディープラーニングを可能にする新しいアプローチである。 ラベル付きおよびラベルなしデータの探索と事前訓練されたモデルの転送を統一する。 SSLとTLの5つのタスクをシャープなマージンで上回ります。
  論文  参考訳（メタデータ） (2021-02-25T14:56:19Z)
• PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
  ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。 提案手法の有効性を,低データと高データの両方において示す。
  論文  参考訳（メタデータ） (2020-10-19T17:59:30Z)

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。