論文の概要: Determinantal point process sampling for bioacoustic active learning

• arxiv url: http://arxiv.org/abs/2607.06063v1
• Date: Tue, 07 Jul 2026 09:35:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.470734
• Title: Determinantal point process sampling for bioacoustic active learning
• Title（参考訳）: 生物音響能動学習のための決定点プロセスサンプリング
• Abstract要約: 本稿では,BioDCASE Active Learning for Bioacoustics 2026の課題に対して,CARE-DPPを提案する。 CARE-DPPは、クラスバランスの予測の不確実性と埋め込み空間の新規性を組み合わせる一方、決定点プロセス(DPP)の目的は、高品質で非冗長な取得バッチを選択する。 BirdSet HSN, POW, UHH サブセットと ATBFL では,CARE-DPP ではマクロ mAP では 0.50 の AULC が,公式 CoreSet ベースラインでは 0.46 の AULC が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Eco-acoustic monitoring generates vast volumes of audio data, making active learning a promising approach for reducing annotation effort while efficiently training reliable biodiversity classifiers. This report presents CARE-DPP, a batch active-learning acquisition method submitted to BioDCASE Active Learning for Bioacoustics 2026 challenge. The method combines class-balanced predictive uncertainty with embedding-space novelty, while a determinantal point process (DPP) objective selects a high-quality and non-redundant acquisition batch. The uncertainty-novelty balance is annealed over the annotation budget: early cycles emphasize geometric coverage, whereas later cycles increasingly exploit classifier uncertainty. To mitigate unreliable early scores, the DPP candidate pool mixes top-quality candidates with a decreasing proportion of random exploration. An adaptive acquisition schedule uses smaller batches early and larger batches later. Evaluated over five repeats on the BirdSet HSN, POW and UHH subsets and on ATBFL, CARE-DPP obtains a mean development AULC of 0.50 for macro mAP, compared with 0.46 for the official CoreSet baseline. Ablations identify DPP batch diversification and the adaptive acquisition schedule as the largest contributors.
• Abstract（参考訳）: Eco-acoustic monitoring は膨大な量のオーディオデータを生成するため、アクティブな学習は、信頼性の高い生物多様性分類器を効率的に訓練しながら、アノテーションの労力を減らすための有望なアプローチとなる。 本稿では,BioDCASE Active Learning for Bioacoustics 2026の課題に対して,CARE-DPPを提案する。 この手法は、クラスバランスの予測の不確実性と埋め込み空間の新規性を組み合わせる一方、決定点プロセス(DPP)の目的は、高品質で非冗長な取得バッチを選択する。 初期サイクルは幾何学的カバレッジを強調し、後期サイクルは分類器の不確実性をますます利用している。 信頼できない早期スコアを緩和するために、DPP候補プールは、高品質な候補とランダムな探索率の低下を混合する。 適応的な取得スケジュールは、その後、より小さなバッチとより大きなバッチを使用する。 BirdSet HSN, POW, UHH サブセットと ATBFL では、CARE-DPP はマクロ mAP では 0.50 の AULC を、公式の CoreSet ベースラインでは 0.46 と評価している。 アブレーションは、DPPバッチの多様化と適応的な取得スケジュールを最大のコントリビュータとして特定する。

関連論文リスト

• BioDCASE: Active Learning for Bioacoustics [8.559435146342162]
  バイオアコースティックスのための2026 Active Learning for Bioacoustics BioDCASE の課題について紹介する。 効果的なAL戦略の同定を目的としたサンプリング手法の体系的評価 上位の応募者は複数の取得信号と多様性に基づく選択を組み合わせ、純粋な不確実性サンプリングを上回った。
  論文  参考訳（メタデータ） (2026-09-14T09:14:50Z)
• Batch-wise Adaptive Pruning: Periodic Neuron Activation-Aware Weight Pruning for Language Reasoning Model [41.842373153015586]
  LRMにおけるバッチ推論のための学習不要適応型プルーニング法を提案する。 閾値に基づく選択を、集約された重要度スコアよりも周期的なトップk選択に置き換える。 バッチサイズ4の平均精度は39.7ポイント向上した。
  論文  参考訳（メタデータ） (2026-08-14T06:46:02Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• Active Transfer Bagging: A New Approach for Accelerated Active Learning Acquisition of Data by Combined Transfer Learning and Bagging Based Models [0.0]
  アクティブラーニングのためのシードデータセット選択法であるアクティブトランスファー・バッグング(ATBagging)を導入する。 ATBaggingは、バッジアンサンブルモデルのベイズ解釈から、候補データポイントのインフォメーション性を推定する。 ATBagging on four real-world datasets cover both target-transfer and feature-shift scenarios。
  論文  参考訳（メタデータ） (2026-02-02T18:15:50Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• BatchGFN: Generative Flow Networks for Batch Active Learning [80.73649229919454]
  BatchGFNは、生成フローネットワークを使用してバッチ報酬に比例したデータポイントのセットをサンプリングする、プールベースのアクティブラーニングのための新しいアプローチである。 提案手法は,おもちゃの回帰問題において,1点当たり1回の前方通過で推定時間に近距離最適効用バッチをサンプリングすることを可能にした。
  論文  参考訳（メタデータ） (2023-06-26T20:41:36Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• Undersampling and Cumulative Class Re-decision Methods to Improve Detection of Agitation in People with Dementia [16.949993123698345]
  消化は認知症(PwD)で最も多い症状の1つである。 前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。 本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
  論文  参考訳（メタデータ） (2023-02-07T03:14:00Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Doubly Robust Off-Policy Actor-Critic: Convergence and Optimality [131.45028999325797]
  ディスカウント型MDPのための2倍堅牢なオフポリチックAC(DR-Off-PAC)を開発した。 DR-Off-PACは、俳優と批評家の両方が一定のステップで同時に更新される単一のタイムスケール構造を採用しています。 有限時間収束速度を研究し, dr-off-pac のサンプル複雑性を特徴とし, $epsilon$-accurate optimal policy を得る。
  論文  参考訳（メタデータ） (2021-02-23T18:56:13Z)

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。