論文の概要: The Label Imitation Game: Turing Test Network for Zero-Shot Pseudo-Label Pruning

• arxiv url: http://arxiv.org/abs/2606.30875v1
• Date: Mon, 29 Jun 2026 20:06:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:18.996035
• Title: The Label Imitation Game: Turing Test Network for Zero-Shot Pseudo-Label Pruning
• Title（参考訳）: ラベル模倣ゲーム:ゼロショット擬似ラベルプレーニングのためのチューリングテストネットワーク
• Abstract要約: 本稿では,疑似ラベルプルーニングを逆行的尋問として形式化するフレームワークであるTuring-inspired Label Game(LIG)を紹介する。 ラベルを独立したしきい値でフィルタリングする代わりに、LIGを使ってタスクに依存しない"ジャッジ"であるチューリングテストネットワーク(TTN)をトレーニングします。 4つの多様なデータセットにわたる実験は、TTNの堅牢性を示している。
• 参考スコア（独自算出の注目度）: 13.045700151561434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation model pseudo-labeling - labeling data strictly via zero-shot inference - enables massive scale, but performance is undermined by hallucinations that evade standard thresholds. To eliminate these errors, we introduce the Turing-inspired Label Imitation Game (LIG), a framework that formalizes pseudo-label pruning as an adversarial interrogation. Rather than filtering labels via isolated thresholds, we use the LIG to train a Turing Test Network (TTN), a task-agnostic "judge" that evaluates candidate pseudo-labels within a dataset-wide context. Experiments across four diverse datasets demonstrate the TTN's robustness, consistently enhancing label accuracy for three state-of-the-art vision-language models without costly supervision or retraining. Crucially, we demonstrate that learned semantic-contextual logic is a robust alternative to spatial-geometric verification, enabling a unique zero-shot task transfer capability - a TTN trained strictly on image classification datasets can effectively prune complex object detection pseudo-labels. This pruning yields F1-score gains of 28% for the worst-performing baseline categories and 44% with task-specific fine-tuning. Significantly, we also observe Category Revival, where the TTN pruning "detoxifies" the training signal for downstream models and enables them to recover from zero recall on transfer-vulnerable classes. The pre-trained TTN models and code are available at https://github.com/voxel51/ttn.
• Abstract（参考訳）: ファンデーションモデルの擬似ラベル付け – ゼロショット推論による厳密なラベル付け – は、大規模なスケールを実現するが、標準的なしきい値を回避する幻覚によってパフォーマンスが損なわれる。 これらの誤りを解消するために,疑似ラベルプルーニングを相手の尋問として形式化するフレームワークであるTuring-inspired Label Imitation Game (LIG)を導入する。 ラベルを独立したしきい値でフィルタリングする代わりに、LIGを使用して、データセット全体のコンテキスト内で疑似ラベルの候補を評価するタスクに依存しない"ジャッジ"であるチューリングテストネットワーク(TTN)をトレーニングします。 4つの多様なデータセットにわたる実験は、TTNの堅牢性を示し、コストのかかる監視や再トレーニングなしに、最先端の3つのビジョン言語モデルのラベル精度を一貫して向上させる。 画像分類データセットに厳格に訓練されたTTNは、複雑なオブジェクト検出擬似ラベルを効果的にプルークすることができる。 このプルーニングにより、最低パフォーマンスのベースラインカテゴリではF1スコアが28%、タスク固有の微調整では44%上昇する。 ここでは、TTNが下流モデルのトレーニング信号を「デトックス化」し、転送不要なクラスでのゼロリコールから回復できるようにする。 事前訓練されたTTNモデルとコードはhttps://github.com/voxel51/ttn.comで入手できる。

関連論文リスト

• Iterative Self-Learning for Expressive Text-to-Speech Synthesis [20.391383791266342]
  本稿では,表現的テキスト合成のための反復的自己学習フレームワークを提案する。 現在のモデルを用いて、反復的に擬似ラベル付き音声をラベル付けし、ラベル付きデータと擬似ラベル付きデータで再訓練し、繰り返します。 繰り返し改良により,シングルパスベースラインよりも擬似ラベルの精度が向上することが判明した。
  論文  参考訳（メタデータ） (2026-08-16T19:54:20Z)
• Co-Training with Active Contrastive Learning and Meta-Pseudo-Labeling on 2D Projections for Deep Semi-Supervised Learning [42.56511266791916]
  SSLはこの課題に対処し、ラベル付きで豊富なラベル付けされていないデータを活用する。 教師によるメタ擬似ラベリングとALを効果的に組み合わせた能動型DeepFAを提案する。
  論文  参考訳（メタデータ） (2025-04-25T19:41:45Z)
• Enhancing CLIP with CLIP: Exploring Pseudolabeling for Limited-Label Prompt Tuning [11.284317518288153]
  本稿では, 擬似ラベル, すなわちラベルなしデータのラベルを用いて, 即時チューニングによるCLIPの強化について検討する。 半教師付き, トランスダクティブなゼロショット, 教師なし学習といった学習パラダイムは, すべて同じ損失関数の最適化とみなすことができる。 1) 擬似ラベルを反復的に洗練する未探索プロンプトチューニング戦略は,半教師あり学習では19.5ポイント,帰納的ゼロショット学習では28.4ポイント,教師なし学習では15.2ポイント,CLIP精度を継続的に向上させる。
  論文  参考訳（メタデータ） (2023-06-02T16:43:05Z)
• 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)
• Pseudo-Label Noise Suppression Techniques for Semi-Supervised Semantic Segmentation [21.163070161951868]
  半消費学習(SSL)は、教師なしデータをトレーニングに組み込むことで、大きなラベル付きデータセットの必要性を減らすことができる。 現在のSSLアプローチでは、初期教師付きトレーニングモデルを使用して、擬似ラベルと呼ばれる未ラベル画像の予測を生成する。 擬似ラベルノイズと誤りを3つのメカニズムで制御する。
  論文  参考訳（メタデータ） (2022-10-19T09:46:27Z)
• Transductive CLIP with Class-Conditional Contrastive Learning [68.51078382124331]
  雑音ラベル付き分類ネットワークをスクラッチから学習するための新しいフレームワークであるTransductive CLIPを提案する。 擬似ラベルへの依存を軽減するために,クラス条件のコントラスト学習機構を提案する。 アンサンブルラベルは、ノイズラベル付きディープニューラルネットワークのトレーニングを安定化するための擬似ラベル更新戦略として採用されている。
  論文  参考訳（メタデータ） (2022-06-13T14:04:57Z)
• Label Noise-Resistant Mean Teaching for Weakly Supervised Fake News Detection [93.6222609806278]
  本稿では,弱い教師付き偽ニュース検出のためのラベル雑音耐性平均教育手法 (LNMT) を提案する。 LNMTは、未ラベルのニュースとユーザのフィードバックコメントを活用して、トレーニングデータの量を増やす。 LNMTはラベル伝搬とラベル信頼性推定を備えた平均教師フレームワークを確立する。
  論文  参考訳（メタデータ） (2022-06-10T16:01:58Z)
• Informative Pseudo-Labeling for Graph Neural Networks with Few Labels [12.83841767562179]
  グラフニューラルネットワーク(GNN)は、グラフ上の半教師付きノード分類のための最先端の結果を得た。 非常に少数のレーベルでGNNを効果的に学習する方法の課題は、まだ解明されていない。 我々は、非常に少ないラベルを持つGNNの学習を容易にするために、InfoGNNと呼ばれる新しい情報的擬似ラベルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-20T01:49:30Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Boosting Semi-Supervised Face Recognition with Noise Robustness [54.342992887966616]
  本稿では,自動ラベルによるラベル雑音に対して頑健な半教師付き顔認識に対する効果的な解法を提案する。 そこで我々は,gnが強化するロバストな学習能力に基づく,ノイズロバスト学習ラベリング(nroll)という,半教師付き顔認識ソリューションを開発した。
  論文  参考訳（メタデータ） (2021-05-10T14:43:11Z)
• Group-aware Label Transfer for Domain Adaptive Person Re-identification [179.816105255584]
  Unsupervised Adaptive Domain (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインデータセットで訓練されたモデルを、さらなるアノテーションなしでターゲットドメインデータセットに適応することを目的としている。 最も成功したUDA-ReIDアプローチは、クラスタリングに基づく擬似ラベル予測と表現学習を組み合わせて、2つのステップを交互に実行する。 疑似ラベル予測と表現学習のオンラインインタラクションと相互促進を可能にするグループ認識ラベル転送(GLT)アルゴリズムを提案します。
  論文  参考訳（メタデータ） (2021-03-23T07:57:39Z)
• Semi-Supervised Speech Recognition via Graph-based Temporal Classification [59.58318952000571]
  半教師付き学習は自己学習による自動音声認識において有望な結果を示した。 このアプローチの有効性は、主に擬似ラベルの精度に依存する。 N-bestリストの別のASR仮説は、ラベルなしの発話に対してより正確なラベルを提供することができる。
  論文  参考訳（メタデータ） (2020-10-29T14:56:56Z)

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。