論文の概要: Group-invariant Coresets for Data-efficient Active Learning

• arxiv url: http://arxiv.org/abs/2607.01089v1
• Date: Wed, 01 Jul 2026 15:46:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.972068
• Title: Group-invariant Coresets for Data-efficient Active Learning
• Title（参考訳）: データ効率なアクティブラーニングのためのグループ不変コアセット
• Abstract要約: アクティブラーニングは、最も有益な未ラベルのサンプルをクエリすることでラベリングコストを削減する。 標準コアセットメソッドは既知のデータ対称性を無視し、同じインスタンスの変換バージョンに予算を浪費することができる。 本稿では,変換群によって誘導される商空間の取得を行うグループ不変コアセットフレームワークGRINCOを提案する。
• 参考スコア（独自算出の注目度）: 0.3199881502576702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active learning reduces labeling cost by querying the most informative unlabeled samples, but standard coreset methods ignore known data symmetries and can waste budget on transformed versions of the same instance. We propose GRINCO, a group-invariant coreset framework that performs acquisition in the quotient space induced by a transformation group, so that selection operates on orbits rather than raw samples. The method uses either canonical representatives or learned orbit-separating invariant embeddings to define practical quotient metrics, and combines quotient-space k-center selection with invariant training through an orbit-averaged loss. We further derive a generalization bound that relates excess orbit-averaged risk to quotient-space coverage, label uncertainty, and intra-orbit variability. Experiments on synthetic scale-invariant data and image benchmarks with rotation-induced redundancy show that GRINCO improves orbit coverage and achieves stronger label efficiency than conventional coreset baselines, especially when group-induced redundancy is substantial.
• Abstract（参考訳）: アクティブラーニングは、最も有益な未ラベルのサンプルをクエリすることでラベリングコストを削減するが、標準コアセットメソッドは既知のデータ対称性を無視し、同じインスタンスの変換されたバージョンに予算を浪費することができる。 GRINCOは、変換群によって誘導される商空間の取得を行うグループ不変コアセットフレームワークであり、選択は原サンプルではなく軌道上で実行される。 この方法は、標準的代表者または学習された軌道分離不変な埋め込みを用いて、実用的な商測度を定義し、商空間k中心選択と軌道平均損失による不変なトレーニングを組み合わせる。 さらに、余剰軌道平均リスクと商空間カバレッジ、ラベルの不確実性、軌道内変動性に関連する一般化境界を導出する。 回転誘起冗長性を持つ合成スケール不変データと画像ベンチマークの実験により、GRINCOは従来のコアセットベースラインよりも、特にグループ誘起冗長性が大きい場合、軌道カバレッジを改善し、ラベル効率を高めることが示されている。

関連論文リスト

• Weighted Conformal Clustering [5.601217969637838]
  本稿では,クラスタラベルに対して有効な信頼セットを構築するための新しい重み付き共形手法を提案する。 キャリブレーションに利用できるラベルは、地上構造ラベルではなく、データ依存クラスタリングアルゴリズムによって生成される合成ラベルである。
  論文  参考訳（メタデータ） (2026-05-29T23:58:56Z)
• Approximate equivariance via projection-based regularisation [1.5755923640031846]
  非同変モデルは、実行時のパフォーマンスと不完全な対称性のため、再び注目を集めている。 これは、対称性の尊重とデータ分布の適合の間に中間点を打つ、ほぼ同変モデルの開発を動機付けている。 本研究では,空間領域とスペクトル領域の両方において,非等分散ペナルティを正確に,効率的に計算するための数学的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-08T15:35:42Z)
• Robust Canonicalization through Bootstrapped Data Re-Alignment [5.437226012505534]
  昆虫や鳥の識別などのきめ細かい視覚分類タスクは、微妙な視覚的手がかりに対する感受性を必要とする。 分散を低減してトレーニングサンプルを反復的に調整するブートストラップアルゴリズムを提案する。 本手法は,拡張と同等の性能を保ちながら,同変および正準化ベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-10-09T13:05:20Z)
• Symmetry Discovery for Different Data Types [52.2614860099811]
  等価ニューラルネットワークは、そのアーキテクチャに対称性を取り入れ、より高度な一般化性能を実現する。 本稿では,タスクの入出力マッピングを近似したトレーニングニューラルネットワークによる対称性発見手法であるLieSDを提案する。 我々は,2体問題,慣性行列予測のモーメント,トップクォークタグ付けといった課題におけるLieSDの性能を検証した。
  論文  参考訳（メタデータ） (2024-10-13T13:39:39Z)
• Relaxed Rotational Equivariance via $G$-Biases in Vision [19.814324876189772]
  群同変畳み込み(GConv)は、元のデータから回転同値を取ることができる。 しかし、実世界のデータの提示や分布は、しばしば厳密な回転同値に適合する。 本稿では,G$-Biasesと呼ばれる学習可能なバイアスの集合を利用して,この問題に対処する,単純かつ高効率な手法を提案する。 実験により,提案手法は既存のGConv法と比較して,2次元オブジェクト検出タスクと分類作業の両方において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-08-22T14:52:53Z)
• Beyond Labels: Advancing Cluster Analysis with the Entropy of Distance Distribution (EDD) [0.0]
  距離分布のエントロピー(Entropy of Distance Distribution、EDD)は、ラベルフリークラスタリング分析におけるパラダイムシフトである。 本手法ではシャノン情報エントロピーを用いて,データセット内の距離分布の「ピーク性」や「平坦性」を定量化する。 EDDのポテンシャルは、従来のクラスタリング分析を超えて、複雑なデータ構造を解き放つための堅牢でスケーラブルなツールを提供する。
  論文  参考訳（メタデータ） (2023-11-28T09:22:17Z)
• Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
  最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。 本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
  論文  参考訳（メタデータ） (2022-12-21T18:30:22Z)
• Improving the Sample-Complexity of Deep Classification Networks with Invariant Integration [77.99182201815763]
  変換によるクラス内分散に関する事前知識を活用することは、ディープニューラルネットワークのサンプル複雑性を改善するための強力な方法である。 そこで本研究では,アプリケーションの複雑な問題に対処するために,プルーニング法に基づく新しい単項選択アルゴリズムを提案する。 本稿では,Rotated-MNIST,SVHN,CIFAR-10データセットにおけるサンプルの複雑さの改善について述べる。
  論文  参考訳（メタデータ） (2022-02-08T16:16:11Z)
• Dash: Semi-Supervised Learning with Dynamic Thresholding [72.74339790209531]
  我々は、ラベルのない例を使ってモデルをトレーニングする半教師付き学習(SSL)アプローチを提案する。 提案手法であるDashは、ラベルなしデータ選択の観点から適応性を享受する。
  論文  参考訳（メタデータ） (2021-09-01T23:52:29Z)
• Decorrelated Clustering with Data Selection Bias [55.91842043124102]
  本稿では,データ選択バイアスを伴うクラスタリングのためのデコリレーション正規化K-Meansアルゴリズム(DCKM)を提案する。 DCKMアルゴリズムは,選択バイアスによって生じる予期せぬ特徴相関を除去する必要があることを示す。
  論文  参考訳（メタデータ） (2020-06-29T08:55:50Z)
• Gradient Descent in RKHS with Importance Labeling [58.79085525115987]
  我々は重要ラベル付け問題について研究し、ラベルなしデータが多く与えられている。 ラベルなしデータの情報サブセットを効果的に選択できる新しい重要ラベル方式を提案する。
  論文  参考訳（メタデータ） (2020-06-19T01:55:00Z)

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。