論文の概要: Interpretable Human-Label-Free Deep Learning for Real-Bogus Classification with Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2607.05393v1
• Date: Mon, 06 Jul 2026 17:59:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.27697
• Title: Interpretable Human-Label-Free Deep Learning for Real-Bogus Classification with Uncertainty Quantification
• Title（参考訳）: 不確実性量子化を用いた実ボグス分類のための解釈可能な人間ラベルフリーディープラーニング
• Abstract要約: 時間領域の調査は多くのトランジェントな候補を生成し、Real-Bogus分類を自動ディスカバリパイプラインの重要なステップにする。 我々は,注入された過渡期データとボグス支配調査データを用いて,人間ラベルデータなしで訓練できるリアル・ボグス分類フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 2.687159171905859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-domain surveys generate many transient candidates, making Real-Bogus classification a critical step in automated discovery pipelines. Reliable labels are costly, while community labels can be noisy and survey-dependent. We aim to develop a Real-Bogus classification framework that can be trained without human-labeled data using injected transients and bogus-dominated survey data, remains robust under strong class contamination, and provides calibrated uncertainty quantification. We combine simulated transient injections with a contaminated survey class and train a dual-network model using asymmetric co-teaching for classes with different label-noise levels. We evaluate performance on a benchmark subset and analyze the learned representation with latent-space visualization tools. For uncertainty quantification (UQ), we compare MC dropout and deep ensembles and propose a low-cost hybrid strategy that exploits the dual-network setting to improve calibration. We extend the evaluation to the light-curve domain to assess recovery of light-curve classes. The method achieves strong Real-Bogus performance on the labeled subset and remains stable under severe class contamination. It recovers transient light-curve classes with high fidelity, while single-source identification is limited by ambiguity in light-curve-derived labels. Our hybrid UQ approach achieves competitive calibration relative to more expensive ensemble baselines. Latent-space analyses indicate that uncertainty aligns with the decision boundary and reveal subclasses within the bogus population. Our results show that injection-driven, weakly supervised training can enable scalable and consistent Real-Bogus classification without human-labeled training data while providing calibrated uncertainties. The method is suited for transfer to forthcoming surveys by re-running the injection-based training pipeline.
• Abstract（参考訳）: 時間領域の調査は多くのトランジェントな候補を生成し、Real-Bogus分類を自動ディスカバリパイプラインの重要なステップにする。 信頼できるラベルは費用がかかるが、コミュニティラベルは騒々しく、調査に依存している。 我々は,注入された過渡期データとボグス支配調査データを用いて,人体標識データなしで訓練できるリアル・ボグス分類フレームワークを開発することを目的としており,強いクラス汚染下では頑健であり,校正された不確実性定量化を提供する。 汚染されたサーベイクラスと模擬過渡注入を組み合わせ、異なるラベルノイズレベルを持つクラスに対する非対称コティーチングを用いて二重ネットワークモデルを訓練する。 我々は、ベンチマークサブセットの性能を評価し、学習した表現を潜時空間可視化ツールを用いて分析する。 不確実性定量化(UQ)のために、MCドロップアウトとディープアンサンブルを比較し、二重ネットワーク設定を利用してキャリブレーションを改善する低コストなハイブリッド戦略を提案する。 評価を光曲線領域に拡張し,光曲線クラスの回復性を評価する。 本手法はラベル付きサブセット上でのReal-Bogus性能を高いクラス汚染下で安定に維持する。 単一ソースの識別は、光曲線由来のラベルのあいまいさによって制限されるが、過渡的な光曲線のクラスを高い忠実度で復元する。 我々のハイブリッドUQアプローチは、より高価なアンサンブルベースラインと比較して競合キャリブレーションを実現する。 潜在空間分析は、不確実性は決定境界と一致し、ボグ集団内のサブクラスを明らかにすることを示している。 本研究は, インジェクション駆動, 弱教師付きトレーニングにより, 人間のラベル付きトレーニングデータなしで, スケーラブルで一貫した実ボグス分類が可能であり, 校正された不確実性を提供することを示す。 この方法は、インジェクションベースのトレーニングパイプラインを再実行することで、今後の調査に移行するのに適している。

関連論文リスト

• Architecture-agnostic Lipschitz-constant Bayesian header and its application to resolve semantically proximal classification errors with vision transformers [0.0]
  この研究は、アーキテクチャに依存しないリプシッツ・コンスタント・ベイジアンヘッダを示し、視覚変換器のような特徴抽出器に統合することができる。 また,不確実性と不確かさを誤分類率で捉えるための新しい指標と,適応型算術・平均融合方式を提案する。 モンテカルロサンプリングにより計算コストは上昇するが、事前に訓練されたバックボーンとのプラグ・アンド・プレイの互換性を提供する。
  論文  参考訳（メタデータ） (2026-05-07T09:18:06Z)
• Online Bayesian Imbalanced Learning with Bregman-Calibrated Deep Networks [0.7106986689736825]
  本報告では、クラス優先の仮定から確率比の推定を分離する原則的フレームワークであるOBIL(TextitOnline Bayesian Im Balanced Learning)を提案する。 我々のアプローチは、ブレグマンの発散と適切なスコアリングルールとの確立された接続に基づいて、そのような損失で訓練されたディープネットワークが後続確率推定を生成することを示す。 これらの確率比の推定は、クラス事前およびコスト構造における任意の変化の下でも有効であり、最適なベイズ決定のためのしきい値調整のみを必要とすることを証明している。
  論文  参考訳（メタデータ） (2026-02-08T21:23:00Z)
• Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
  ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。 我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。 我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
  論文  参考訳（メタデータ） (2026-01-19T07:55:29Z)
• Pseudo-D: Informing Multi-View Uncertainty Estimation with Calibrated Neural Training Dynamics [3.8836478189829164]
  1ホットラベルは、層間変動を消し、モデルに過信予測を強制する。 ラベル空間に不確実性をもたらす新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-09-15T11:30:12Z)
• 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)
• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised Learning [101.86916775218403]
  本稿では, サンプル重み付けを統一した定式化により, 一般的な擬似ラベル法を再検討する。 トレーニング中の擬似ラベルの量と質を両立させることでトレードオフを克服するSoftMatchを提案する。 実験では、画像、テキスト、不均衡な分類など、さまざまなベンチマークで大幅に改善されている。
  論文  参考訳（メタデータ） (2023-01-26T03:53:25Z)
• Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
  ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。 半教師付き長尾認識という新しい認識設定を提案する。 2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
  論文  参考訳（メタデータ） (2021-05-01T00:43:38Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Ask-n-Learn: Active Learning via Reliable Gradient Representations for Image Classification [29.43017692274488]
  深い予測モデルは、ラベル付きトレーニングデータという形で人間の監督に依存する。 Ask-n-Learnは,各アルゴリズムで推定されたペスドラベルを用いて得られる勾配埋め込みに基づく能動的学習手法である。
  論文  参考訳（メタデータ） (2020-09-30T05:19:56Z)

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。