論文の概要: Generalized Distribution-Free Semi-Supervised Learning with Risk Rewrite

• arxiv url: http://arxiv.org/abs/2607.11947v2
• Date: Wed, 15 Jul 2026 02:21:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 12:21:59.451153
• Title: Generalized Distribution-Free Semi-Supervised Learning with Risk Rewrite
• Title（参考訳）: リスクリライトによる一般分布自由半教師付き学習
• Abstract要約: 本稿では,コンポーネントリスクを線形に組み合わせた非バイアスリスク推定器を構築するフレームワークを提案する。 非対称な損失シナリオにおいて、推定器がPNUよりも低い分散が得られることを示すため、最小到達可能な分散を導出する。 本稿では,バイナリとマルチクラスのベンチマークにおいて,既存のアプローチに実証的に適合あるいは優れるSSLメソッドを2つ導入する。
• 参考スコア（独自算出の注目度）: 1.0227479910430863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Typical semi-supervised learning (SSL) methods rely on distributional assumptions, and their performance degrades when these are violated. While PNU learning, a risk rewriting method, offers a distribution-free alternative, it is restricted to binary classification and its variance optimality remains unclear. In this paper, we propose a generalized framework that constructs unbiased risk estimators using linear combinations of component risks, subsuming PNU learning and extending to multiclass classification. We derive the minimum achievable variance, demonstrating our estimator can attain lower variance than PNU in asymmetric loss scenarios. Furthermore, we establish a generalization bound directly linking this variance reduction to improved learning performance. Based on these theoretical insights, we introduce two practical SSL methods that empirically match or outperform existing approaches on binary and multiclass benchmarks.
• Abstract（参考訳）: 一般的な半教師付き学習(SSL)手法は、分布的な仮定に依存しており、それらに違反した場合のパフォーマンスは低下する。 リスク書き換え手法であるPNU学習は、分散のない代替手段を提供するが、バイナリ分類に制限されており、その分散最適性は不明確である。 本稿では,コンポーネントリスクを線形に組み合わせ,PNU学習を仮定し,マルチクラス分類にまで拡張した,偏りのないリスク推定器を構成する一般化フレームワークを提案する。 非対称な損失シナリオにおいて, 推定器がPNUよりも低い分散が得られることを示すため, 達成可能な最小分散を導出する。 さらに,この分散の低減と学習性能の向上に直接リンクする一般化を確立する。 これらの理論的知見に基づき、我々は、バイナリとマルチクラスベンチマークにおける既存のアプローチに実証的に適合または優れる2つの実践的なSSL手法を導入する。

関連論文リスト

• In-Context Learning as Nonparametric Conditional Probability Estimation: Risk Bounds and Optimality [9.893068784551879]
  我々は各タスクをラベル付き例のシーケンスとして形式化し、次にクエリ入力を行い、事前訓練されたモデルがクエリの条件付きクラス確率を推定する。 予測余剰リスクは、予測された条件クラス分布と真条件クラス分布の間の平均トラルバック・リーブラー(KL)偏差として定義される。 我々は、このリスクに対して、KLの発散に基づく新しいオラクルの不等式を、マルチクラス分類において確立する。
  論文  参考訳（メタデータ） (2025-08-12T06:42:10Z)
• Learning from Similarity-Confidence and Confidence-Difference [0.07646713951724009]
  複数の視点から補完的な弱監督信号を利用する新しい弱監視学習(WSL)フレームワークを提案する。 具体的には,2種類の弱いラベルを統合する手法であるSconfConfDiff Classificationを紹介する。 両推定器が推定誤差境界に対して最適収束率を達成することを証明した。
  論文  参考訳（メタデータ） (2025-08-07T07:42:59Z)
• Probabilistic Variational Contrastive Learning [8.23660331371415]
  我々は,エビデンスローバウンド(ELBO)を最大化するデコーダフリーフレームワークを提案する。 約$q_theta(z|x)$を投影正規分布としてモデル化し、確率的埋め込みのサンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-11T20:26:07Z)
• Learning from M-Tuple Dominant Positive and Unlabeled Data [9.568395664931504]
  本稿では,実世界のアプリケーションシナリオに適合する汎用学習フレームワークであるemphMDPUを提案する。 経験的リスク最小化 (ERM) 法に基づいて, リスク一貫性を満足する未バイアスリスク推定器を導出する。 トレーニング中に必然的に過適合する問題を緩和するため、リスク補正手法を導入し、修正されたリスク推定器の開発に繋がる。
  論文  参考訳（メタデータ） (2025-05-25T13:20:11Z)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• Safe Deployment for Counterfactual Learning to Rank with Exposure-Based Risk Minimization [63.93275508300137]
  本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。 提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-26T15:54:23Z)
• Risk Consistent Multi-Class Learning from Label Proportions [64.0125322353281]
  本研究は,バッグにトレーニングインスタンスを提供するMCLLP設定によるマルチクラス学習に対処する。 既存のほとんどのMCLLPメソッドは、インスタンスの予測や擬似ラベルの割り当てにバッグワイズな制約を課している。 経験的リスク最小化フレームワークを用いたリスク一貫性手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T03:49:04Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)
• Learning with risks based on M-location [6.903929927172917]
  損失分布の位置と偏差から定義されるリスクの新たなクラスについて検討する。 クラスはスムーズな損失を取り巻くラッパーとして容易に実装されます。
  論文  参考訳（メタデータ） (2020-12-04T06:21:51Z)
• Selective Classification via One-Sided Prediction [54.05407231648068]
  片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。 理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
  論文  参考訳（メタデータ） (2020-10-15T16:14:27Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
  多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。 予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-08T11:35:47Z)

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。