論文の概要: Stochastic Order Learning: An Approach to Rank Estimation Using Noisy Data

• arxiv url: http://arxiv.org/abs/2607.08103v1
• Date: Thu, 09 Jul 2026 04:42:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.412775
• Title: Stochastic Order Learning: An Approach to Rank Estimation Using Noisy Data
• Title（参考訳）: 確率順序学習:雑音データを用いたランク推定へのアプローチ
• Abstract要約: ラベルノイズの下でのランク推定は基本的な課題であり、順序付けアノテーションは単純な腐敗よりも構造的な不確実性を示すことが多い。 オーディナルラベルの不確実性を捕捉し,埋め込み空間を学習する学習フレームワークである秩序学習(SOL)を提案する。 SOLは、様々な種類のラベルノイズのレベルにおいて、信頼性の高いランク推定を可能にする。
• 参考スコア（独自算出の注目度）: 26.64879812175818
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rank estimation under label noise poses a fundamental challenge, as ordinal annotations often exhibit structured uncertainty rather than simple label corruption. In this paper, we reformulate rank estimation with noisy ordinal labels as a stochastic ordering problem, in which each instance is inherently associated with multiple plausible ranks instead of a single deterministic label. Based on this view, we propose stochastic order learning (SOL), a learning framework that captures ordinal label uncertainty and learns an embedding space through two complementary objectives: a discriminative loss that structures instance--centroid interactions and a stochastic order loss that enforces probabilistic ordering relations between instances. Extensive experiments across diverse datasets demonstrate that SOL enables reliable rank estimation under various types and levels of label noise. The source code is available at https://github.com/cwlee00/SOL.
• Abstract（参考訳）: ラベルノイズの下でのランク推定は、単純なラベルの破損よりも構造化された不確実性を示すことが多いため、根本的な課題となる。 本稿では,1つの決定論的ラベルではなく,各インスタンスが本質的に複数の可算ランクに関連付けられている確率的順序付け問題として,雑音の多い順序ラベルを用いたランク推定を再構成する。 そこで本研究では,2つの相補的な目的,すなわちインスタンス中心の相互作用を構成する識別的損失と,インスタンス間の確率的順序関係を強制する確率的順序損失という,順序の不確かさを捉え,埋め込み空間を学習する学習フレームワークである確率的順序学習(SOL)を提案する。 多様なデータセットにわたる大規模な実験により、SOLは様々な種類のラベルノイズの下で信頼性の高いランク推定を可能にすることが示された。 ソースコードはhttps://github.com/cwlee00/SOLで入手できる。

関連論文リスト

• Rethinking Consistent Multi-Label Classification under Inexact Supervision [60.79309683889278]
  部分的マルチラベル学習では、各インスタンスには候補ラベルセットがアノテートされ、そのうちいくつかのラベルのみが関連付けられている。 補完的なマルチラベル学習では、各インスタンスは、インスタンスが属さないクラスを示す補完ラベルで注釈付けされる。
  論文  参考訳（メタデータ） (2025-10-05T08:30:32Z)
• Bipartite Ranking From Multiple Labels: On Loss Versus Label Aggregation [66.28528968249255]
  両部ランク付けは基本的な教師付き学習問題であり、単一のバイナリターゲットラベルに対して最大範囲(ROC曲線)を持つインスタンスのランク付けを学習することを目的としている。 このようなラベルを1つのコヒーレントなランキングにどうやって合成できるのか? 本研究では,ベイズ最適解を特徴付けることにより,損失集約とラベル集約という2つの手法を解析する。
  論文  参考訳（メタデータ） (2025-04-15T15:25:27Z)
• A comparative analysis of rank aggregation methods for the partial label ranking problem [13.081896295252832]
  ラベルランキング問題は、学習者が与えられた入力インスタンスのクラスラベルの総順序を予測する教師付き学習シナリオである。 本稿では、スコアベースおよび非パラメトリック確率的ランクアグリゲーションアプローチを含む、この重要なステップに対するいくつかの代替アグリゲーション手法について検討する。
  論文  参考訳（メタデータ） (2025-02-24T11:44:43Z)
• Multi-Label Noise Transition Matrix Estimation with Label Correlations: Theory and Algorithm [73.94839250910977]
  ノイズの多いマルチラベル学習は、大規模な正確なラベルの収集によって生じる課題により、注目を集めている。 遷移行列の導入は、マルチラベルノイズをモデル化し、統計的に一貫したアルゴリズムの開発に役立つ。 そこで本稿では, アンカーポイントを必要とせずに, ラベル相関を利用した新しい推定器を提案する。
  論文  参考訳（メタデータ） (2023-09-22T08:35:38Z)
• Drawing the Same Bounding Box Twice? Coping Noisy Annotations in Object Detection with Repeated Labels [6.872072177648135]
  そこで本研究では,基礎的真理推定手法に適合する新しい局所化アルゴリズムを提案する。 また,本アルゴリズムは,TexBiGデータセット上でのトレーニングにおいて,優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-18T13:08:44Z)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• Label-Noise Learning with Intrinsically Long-Tailed Data [65.41318436799993]
  本稿では,本質的な長期データを用いたラベルノイズ学習のための学習フレームワークを提案する。 具体的には, 2段階の2次元試料選択法(TABASCO)を提案する。
  論文  参考訳（メタデータ） (2022-08-21T07:47:05Z)
• Approximating Instance-Dependent Noise via Instance-Confidence Embedding [87.65718705642819]
  マルチクラス分類におけるラベルノイズは、学習システムの展開にとって大きな障害である。 インスタンス依存ノイズ(IDN)モデルを調査し、IDNの効率的な近似を提案し、インスタンス固有のラベル破損を捕捉する。
  論文  参考訳（メタデータ） (2021-03-25T02:33:30Z)
• A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
  ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。 人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
  論文  参考訳（メタデータ） (2020-12-22T06:36:58Z)

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。