論文の概要: Greedy Volume Maximization of Gradient Embeddings for Long-Tailed Frame-Level Bioacoustic Active Learning

• arxiv url: http://arxiv.org/abs/2607.13555v1
• Date: Wed, 15 Jul 2026 07:59:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.692737
• Title: Greedy Volume Maximization of Gradient Embeddings for Long-Tailed Frame-Level Bioacoustic Active Learning
• Title（参考訳）: 長尺フレームレベルバイオ音響能動学習のためのグラディエント埋め込みのグレディボリューム最大化
• Abstract要約: BADGE-Greedy-DPPは、比較した全てのクエリ戦略の中で、総合的および希少な呼び出し型性能を達成することを示す。 BadGE-Greedy-DPP (BadGE-Greedy-DPP) は決定論的バッチセレクタである。 10を越えると、スパースで不均衡なハイエナコールタイプのデータセット上で動作し、BADGE-Greedy-DPPは、全体的なパフォーマンスと稀なコールタイプのパフォーマンスを最高のものにする。
• 参考スコア（独自算出の注目度）: 7.406314171581311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bioacoustic call-type classification relies on costly expert annotation. Active learning can reduce this burden by selecting a small batch of segments for expert annotation and using the labeled segments for training the classifier. The setting is hard: the target calls are extremely sparse and the call-type distribution is long-tailed, so a tight budget must be spent on the few rare, informative segments. We propose BADGE-Greedy-DPP, a deterministic batch selector that greedily adds the segment whose BADGE gradient embedding most enlarges the volume spanned by the batch; because this log-volume objective is submodular, the greedy rule guarantees a batch value at least a (1-1/e) fraction of the optimum of this objective, a guarantee not provided by BADGE's existing k-means++ and MCMC DPP sampling heuristics. There is also a temporal granularity mismatch in the task. The acquisition function scores whole segments, yet the informative frames inside them are few. Uniform averaging therefore washes them out. We show that the BADGE construction naturally addresses this mismatch when applied frame-wise, as prediction residuals weight the aggregated pseudo-gradient, so confidently predicted no-call frames contribute little while a single uncertain rare-call frame can still set the segment's direction. Across 10 runs on a sparse, imbalanced hyena call-type dataset, BADGE-Greedy-DPP achieves the best overall and rare-call-type performance among all compared query strategies, including MFFT, the strongest non-BADGE baseline, and the two vanilla BADGE traversals.
• Abstract（参考訳）: バイオアコースティックなコールタイプ分類は、高価な専門家アノテーションに依存している。 アクティブラーニングは、専門家アノテーションのための少数のセグメントを選択し、ラベル付きセグメントを使用して分類器を訓練することで、この負担を軽減することができる。 ターゲットの呼び出しは極めて疎外であり、呼び出しタイプの分散は長い尾を持つため、数少ない稀で情報的なセグメントに厳格な予算を費やさなければならない。 BADGE-Greedy-DPPは,BADGEグラデーションが組み込まれているセグメントがバッチによって分散されたボリュームを最も大きくする部分を追加する決定論的バッチセレクタであり,このログボリュームの目的は部分モジュラーであるため,このルールは,この目的の最適値の少なくとも1-1/eのバッチ値を保証し,BADGEの既存のk-means++およびMC DPPサンプリングヒューリスティックスでは提供されない保証である。 タスクには時間的粒度のミスマッチもある。 取得関数は全セグメントをスコアするが、内部の情報フレームはほとんどない。 したがって、一様平均化はそれらを洗い流す。 BADGEの構成は, フレーム単位でのこのミスマッチに自然に対処し, 予測が重み付けされた擬似次数的に重み付けされるので, 単一の不確実なレアコールフレームがセグメントの方向を設定できるのに対して, 確実に予測されるノンコールフレームはほとんど寄与しないことを示す。 BADGE-Greedy-DPPは、最強の非BADGEベースラインであるMFFTと2つのバニラBADGEトラバーサルを含む、比較された全てのクエリ戦略の中で、最高の総合的およびレアコールタイプのパフォーマンスを達成する。

関連論文リスト

• Granularity-Adaptive Credit Assignment for Long-Horizon LLM Agent Reinforcement Learning [7.885980895039013]
  我々は、正しい解決法は国家に依存していると論じ、不確実性に基づく臨界性プロキシに従って粒度が続く批判のない推定器であるGACAを提案する。 GACAは、自己のロールアウトがすでに記録している負のログライクな記録によって各ステップをスコアし、そのスコアで成長するステップ毎の重みと2つのアドバンテージをブレンドする。 ALFWorldとWebShopでは、GACAはGRPOとGiGPOよりも1.5Bと7Bのスケールでタスクの成功を改善する。
  論文  参考訳（メタデータ） (2026-09-11T04:19:44Z)
• FROST: Training-Free Few-Shot Segmentation with Frozen Features and Nonparametric Statistics [0.751390599566847]
  短いショットセグメンテーションでは、クエリイメージのターゲットクラスを、注釈付き例のほんの一握りの例から記述するよう、モデルに求めている。 凍結したDINOv3特徴の単位球面上の2点の雲として、基準フォアグラウンドと背景を扱い、トレーニング不要な小ショットセグメンタであるFROSTを紹介する。
  論文  参考訳（メタデータ） (2026-06-30T05:06:06Z)
• Attention-Discounted Adaptive Sampler for Masked Diffusion Language Models [59.51249894128724]
  マスク付き拡散言語モデルは、反復を識別するごとに複数のトークンを明らかにすることで推論ステップを削減することができる。 パラレルマスク拡散復号法のためのトレーニング不要な復号法であるADASを提案する。
  論文  参考訳（メタデータ） (2026-06-09T13:17:27Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Adaptive Threshold-Driven Continuous Greedy Method for Scalable Submodular Optimization [0.0]
  マットロイド制約の下でのサブモジュールは、センシング、データマージ、アクティブラーニング、リソース割り当てなどの応用において、最適化の基本的な問題である。 textitATCG(underlineAdaptive underlineThresholded underlineThresholded underlineThresholded underlineGreedy)を提案する。 CIFAR-10動物データセットを用いたクラスバランス型プロトタイプ選択問題の実験
  論文  参考訳（メタデータ） (2026-04-03T19:32:39Z)
• \ exttt{BayesBreak}: Generalized Hierarchical Bayesian Segmentation with Irregular Designs, Multi-Sample Hierarchies, and Grouped/Latent-Group Designs [0.0]
  厳密な推論は、狭い可能性クラス、単一シーケンス設定、インデックス・ユニフォームの設計と結びついていることが多い。 textttBayesBreakは、単純な分離を中心に構築されたモジュール型のオフラインベイズセグメンテーションフレームワークである。 共役前駆体を持つ重み付き指数家族確率に対しては、ブロック証拠と後部モーメントは累積的十分な統計量から閉形式で利用できる。
  論文  参考訳（メタデータ） (2026-03-16T00:36:16Z)
• Segment-Level Attribution for Selective Learning of Long Reasoning Traces [39.93489058702076]
  本稿では,高い帰属力を持つが適度な一貫性を持つ重要なセグメントを特定するためのセグメントレベル選択学習フレームワークを提案する。 提案手法は精度と出力効率を向上し、長い推論トレースからより効果的な学習を可能にする。
  論文  参考訳（メタデータ） (2026-01-31T00:29:24Z)
• Relieving Long-tailed Instance Segmentation via Pairwise Class Balance [85.53585498649252]
  長い尾のインスタンスセグメンテーションは、クラス間のトレーニングサンプルの極端な不均衡のために難しいタスクである。 尾のついたものに対して、(大多数のサンプルを含む)ヘッドクラスの深刻なバイアスを引き起こす。 そこで本研究では,学習中の予測嗜好を蓄積するために,学習中に更新される混乱行列上に構築された新しいPairwise Class Balance(PCB)手法を提案する。
  論文  参考訳（メタデータ） (2022-01-08T07:48:36Z)
• A Simple Baseline for Semi-supervised Semantic Segmentation with Strong Data Augmentation [74.8791451327354]
  セマンティックセグメンテーションのためのシンプルで効果的な半教師付き学習フレームワークを提案する。 単純な設計とトレーニングのテクニックのセットは、半教師付きセマンティックセグメンテーションの性能を大幅に向上させることができる。 本手法は,Cityscapes と Pascal VOC データセットの半教師付き設定において,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2021-04-15T06:01:39Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)

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。