Fugu-MT 論文翻訳(概要): Hybrid Active-Online Learning Framework for Label-Efficient Concept Drift Adaptation in Optical Network Failure Detection

論文の概要: Hybrid Active-Online Learning Framework for Label-Efficient Concept Drift Adaptation in Optical Network Failure Detection

arxiv url: http://arxiv.org/abs/2606.30322v1
Date: Mon, 29 Jun 2026 14:04:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 18:07:16.258011
Title: Hybrid Active-Online Learning Framework for Label-Efficient Concept Drift Adaptation in Optical Network Failure Detection
Title（参考訳）: 光ネットワーク故障検出におけるラベル効率の良いコンセプトドリフト適応のためのハイブリッド能動オンライン学習フレームワーク
Abstract要約: 光ネットワーク故障検出におけるラベル効率の高いコンセプトドリフト適応のためのハイブリッド能動オンライン学習フレームワークを提案する。マージンベースの選択的ラベリングを用いて,ストリーミングサンプルの3.4%しかクエリできない場合,静的推論に比べて遅延のオーバーヘッドは無視できるものの,近点精度とAUCスコアを達成できる。
参考スコア（独自算出の注目度）: 2.5957865963175855
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a hybrid active-online learning framework for label-efficient concept drift adaptation in optical network failure detection. Using margin-based selective labeling, our method achieves nearceiling accuracy and AUC scores while querying only 3.4% of streaming samples, with negligible latency overhead compared to static inference.
Abstract（参考訳）: 光ネットワーク故障検出におけるラベル効率の高いコンセプトドリフト適応のためのハイブリッド能動オンライン学習フレームワークを提案する。マージンベースの選択的ラベリングを用いて,ストリーミングサンプルの3.4%しかクエリできない場合,静的推論に比べて遅延のオーバーヘッドは無視できるものの,近点精度とAUCスコアを達成できる。

関連論文リスト

Ambiguity-aware Point Cloud Segmentation by Adaptive Margin Contrastive Learning [65.94127546086156]
本稿では,ポイントクラウド上のセマンティックセマンティックセグメンテーションのための適応的マージン比較学習法を提案する。まず,両立度推定フレームワークにコントラスト学習を組み込んだAMContrast3Dを設計する。共同トレーニングの洞察に触発されて、並列にトレーニングされた2つのブランチとAMContrast3D++を統合することを提案する。
論文参考訳（メタデータ） (2025-07-09T07:00:32Z)
Maximally Separated Active Learning [32.98415531556376]
固定等角超球面点をクラスプロトタイプとして利用する能動的学習法を提案する。 5つのベンチマークデータセットにまたがる既存のアクティブラーニング技術よりも高いパフォーマンスを示す。
論文参考訳（メタデータ） (2024-11-26T14:02:43Z)
JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
論文参考訳（メタデータ） (2023-10-23T05:43:35Z)
Class Prior-Free Positive-Unlabeled Learning with Taylor Variational Loss for Hyperspectral Remote Sensing Imagery [12.54504113062557]
高スペクトルリモートセンシング画像(HSI)における正非ラベル学習(PU学習)は、正および未ラベルのデータから二値分類器を学習することを目的としている。本稿では,HSI PU学習におけるテイラー変分損失を提案する。 7つのベンチマークデータセット(合計21タスク)の実験により,提案手法の有効性が検証された。
論文参考訳（メタデータ） (2023-08-29T07:29:30Z)
Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
論文参考訳（メタデータ） (2023-07-16T04:34:11Z)
FedDCT: A Dynamic Cross-Tier Federated Learning Framework in Wireless Networks [5.914766366715661]
フェデレートラーニング(FL)は、ローカルデータを公開せずにデバイス全体でグローバルモデルをトレーニングする。無線ネットワークにおけるリソースの不均一性と避けられないストラグラーは、FLトレーニングの効率と正確性に大きな影響を与えます。動的クロスティアフェデレーション学習フレームワーク(FedDCT)を提案する。
論文参考訳（メタデータ） (2023-07-10T08:54:07Z)
LiDAL: Inter-frame Uncertainty Based Active Learning for 3D LiDAR Semantic Segmentation [36.69417080183985]
LiDALは3次元LiDARセマンティックセグメンテーションのための新しいアクティブラーニング手法である。本稿では,LiDARフレーム間の不確実性を利用したLiDALを提案する。我々は、5%未満のアノテーションで完全に教師付き学習のパフォーマンスを95%達成する。
論文参考訳（メタデータ） (2022-11-11T04:47:33Z)
Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
論文参考訳（メタデータ） (2022-05-02T16:09:17Z)
Contrastive Test-Time Adaptation [83.73506803142693]
本稿では,自己指導型コントラスト学習を活用して特徴学習を支援する新しい手法を提案する。擬似ラベルをオンラインで作成し、ターゲットのフィーチャースペースに最も近い隣人の間でソフト投票によってそれらを洗練します。我々の手法であるAdaContrastは、主要なベンチマーク上で最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2022-04-21T19:17:22Z)
Imposing Consistency for Optical Flow Estimation [73.53204596544472]
プロキシタスクによる一貫性の導入は、データ駆動学習を強化することが示されている。本稿では,光フロー推定のための新しい,効果的な整合性戦略を提案する。
論文参考訳（メタデータ） (2022-04-14T22:58:30Z)
Interpolation-based Contrastive Learning for Few-Label Semi-Supervised Learning [43.51182049644767]
半教師付き学習(SSL)は,ラベルが限定された強力なモデルを構築する上で,有効な手法であることが長年証明されてきた。摂動サンプルを元のものと類似した予測を強制する正規化に基づく手法が注目されている。本稿では,学習ネットワークの埋め込みを誘導し,サンプル間の線形変化を誘導する新たな対照的な損失を提案する。
論文参考訳（メタデータ） (2022-02-24T06:00:05Z)
Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
論文参考訳（メタデータ） (2021-10-15T16:38:54Z)

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。