論文の概要: Contrastive Order Learning: A General Framework for Ordinal Regression

• arxiv url: http://arxiv.org/abs/2607.08109v1
• Date: Thu, 09 Jul 2026 04:48:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.414813
• Title: Contrastive Order Learning: A General Framework for Ordinal Regression
• Title（参考訳）: コントラスト的順序学習: 規則的回帰のための一般的な枠組み
• Authors: Chaewon Lee, BeomJun Shim, Kwang Pyo Choi, Chang-Su Kim,
• Abstract要約: ConOrdは、順序回帰のための対照的な学習フレームワークである。 対照的な学習と秩序的な学習の強みを統合する。 最先端のパフォーマンスを一貫して達成し、さまざまな順序の回帰シナリオでうまく一般化します。
• 参考スコア（独自算出の注目度）: 17.77573567161977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose contrastive order learning (ConOrd), a contrastive learning framework for ordinal regression that integrates the strengths of contrastive learning and order learning. While contrastive learning effectively leverages all samples in a batch, it typically ignores the inherent ordering among rank labels. Conversely, order learning explicitly models label ordinality but often relies on local, margin-based comparisons, limiting its ability to capture global ordinal structure. ConOrd addresses these limitations by introducing a contrastive order loss with soft affinity and disparity weights based on rank differences, enabling fine-grained modeling of ordinal relationships across all sample pairs within a batch. Extensive experiments on a range of ordinal regression tasks, including facial age estimation, blind image quality assessment, and blind video quality assessment, demonstrate that ConOrd consistently achieves state-of-the-art performance and generalizes well across diverse ordinal regression scenarios. The source code is available at https://github.com/cwlee00/ConOrd.
• Abstract（参考訳）: コントラッシブ・オーダー・ラーニング(ConOrd)は、コントラッシブ・ラーニングと秩序・ラーニングの強みを統合した、順序回帰のためのコントラッシブ・ラーニング・フレームワークである。 対照的な学習は、バッチ内のすべてのサンプルを効果的に活用するが、典型的にはランクラベルの固有の順序を無視している。 逆に、順序学習はオーディナリティを明示的にラベル付けするが、しばしば局所的、マージンに基づく比較に依存し、グローバルなオーディナリティ構造を捉える能力を制限する。 ConOrdはこれらの制限に、ランクの差に基づくソフトアフィニティと不均一ウェイトによる対照的な順序損失を導入し、バッチ内の全てのサンプルペアの順序関係をきめ細やかなモデリングを可能にした。 顔の年齢推定、ブラインド画像品質評価、ブラインドビデオ品質評価など、さまざまな順序回帰タスクに関する広範な実験は、ConOrdが一貫して最先端のパフォーマンスを達成し、さまざまな順序回帰シナリオをうまく一般化することを示した。 ソースコードはhttps://github.com/cwlee00/ConOrd.comで入手できる。

関連論文リスト

• Stochastic Order Learning: An Approach to Rank Estimation Using Noisy Data [26.64879812175818]
  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。
  論文  参考訳（メタデータ） (2026-07-09T04:42:28Z)
• CAIRO: Decoupling Order from Scale in Regression [13.755937210012883]
  回帰を2つの異なる段階に分離する枠組みを提案する。 第1段階では,スケール不変ランキングの損失を最小限に抑えることで,スコアリング関数を学習する。 第2に,等速回帰による目標スケールの復元を行う。
  論文  参考訳（メタデータ） (2026-02-16T03:50:05Z)
• Ordinality in Discrete-level Question Difficulty Estimation: Introducing Balanced DRPS and OrderedLogitNN [1.0514231683620516]
  質問の難しさは、しばしば個別のレベルを使って表現され、タスクを順序の回帰としてフレーミングする。 本研究は,3種類のモデル出力をベンチマークすることで,これらの制約に対処する。 そこで我々は,順序付きロジットモデルをエコノメトリからニューラルネットワークに拡張した OrderedLogitNN を提案する。
  論文  参考訳（メタデータ） (2025-07-01T13:38:33Z)
• Weakly-Supervised Contrastive Learning for Imprecise Class Labels [50.57424331797865]
  正対と負対を定義するために「連続的意味的類似性」の概念を導入する。 弱教師付きコントラスト学習のためのグラフ理論フレームワークを提案する。 我々のフレームワークは非常に多用途であり、多くの弱い教師付き学習シナリオに適用できる。
  論文  参考訳（メタデータ） (2025-05-28T06:50:40Z)
• CAARMA: Class Augmentation with Adversarial Mixup Regularization [59.938216853878636]
  話者検証は典型的なゼロショット学習課題である。 クラス拡張フレームワークであるCAARMAを紹介する。 当社のフレームワークは,すべてのベースラインモデルに対して,8%の大幅な改善を実現しています。
  論文  参考訳（メタデータ） (2025-03-20T21:41:16Z)
• Memory Consistency Guided Divide-and-Conquer Learning for Generalized Category Discovery [56.172872410834664]
  一般カテゴリー発見(GCD)は、半教師付き学習のより現実的で挑戦的な設定に対処することを目的としている。 メモリ一貫性を誘導する分枝・分枝学習フレームワーク(MCDL)を提案する。 本手法は,画像認識の目に見えるクラスと見えないクラスの両方において,最先端のモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-24T09:39:45Z)
• Deep Imbalanced Regression via Hierarchical Classification Adjustment [50.19438850112964]
  コンピュータビジョンにおける回帰タスクは、しばしば、対象空間をクラスに定量化することで分類される。 トレーニングサンプルの大多数は目標値の先頭にあるが、少数のサンプルは通常より広い尾幅に分布する。 不均衡回帰タスクを解くために階層型分類器を構築することを提案する。 不均衡回帰のための新しい階層型分類調整(HCA)は,3つのタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2023-10-26T04:54:39Z)
• Convolutional Ordinal Regression Forest for Image Ordinal Estimation [52.67784321853814]
  我々は、画像の順序性評価のために、コンボリューショナル・オーディショナル・レグレッション・フォレスト(CORF)と呼ばれる新しいオーディショナル・レグレッション・アプローチを提案する。 提案したCORFは、順序回帰と微分可能な決定木を畳み込みニューラルネットワークと統合し、正確なグローバル順序関係と安定なグローバル順序関係を得る。 提案手法の有効性は,2つの画像順序推定課題において検証され,最先端の順序回帰法に対する大幅な改善と安定性が示された。
  論文  参考訳（メタデータ） (2020-08-07T10:41:17Z)

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。