論文の概要: Semi-Supervised Conditional Diffusion via Label Augmentation

• arxiv url: http://arxiv.org/abs/2607.16685v1
• Date: Sat, 18 Jul 2026 07:38:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.22765
• Title: Semi-Supervised Conditional Diffusion via Label Augmentation
• Title（参考訳）: ラベル拡張による半監督条件拡散
• Abstract要約: 条件拡散モデルはラベル付きデータから複雑な条件分布を学習するための強力で柔軟なフレームワークとなっている。 しかし、実際には、高品質なラベルの取得はコストと時間を要するため、大量のラベルのないデータが使われないままである。 ラベル付き条件付き拡散 (LACD) は、ラベル付きラベルを指定した自明なラベルに割り当て、拡張データセット上で共同認知スコアマッチングを行うことにより、ラベル付きサンプルを組み込むシンプルで効果的な手法である。
• 参考スコア（独自算出の注目度）: 18.416606654843406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conditional diffusion models have become a powerful and flexible framework for learning complex conditional distributions from labeled data. In practice, however, acquiring high-quality labels is costly and time-consuming, leaving large volumes of unlabeled data unused. To address this, we introduce label-augmented conditional diffusion (LACD), a simple and effective approach that incorporates unlabeled examples by assigning them a designated trivial label and performing joint denoising score matching over the augmented dataset. We provide sufficient conditions guaranteeing population-level identifiability of the target conditional distribution under this scheme. Moreover, we establish rigorous statistical guarantees: when sufficiently many unlabeled samples are available, the sampling distribution produced by LACD converges strictly faster than the purely supervised estimator in total variation distance, and at least as fast in Wasserstein-1 distance. Extensive experiments on synthetic, image, and tabular benchmarks corroborate our theory and show substantial gains in sample efficiency and generative performance compared with the purely supervised estimator.
• Abstract（参考訳）: 条件拡散モデルはラベル付きデータから複雑な条件分布を学習するための強力で柔軟なフレームワークとなっている。 しかし、実際には、高品質なラベルの取得はコストと時間を要するため、大量のラベルのないデータが使われないままである。 これを解決するために,ラベル付き条件付き拡散(LACD)を導入し,ラベル付きラベルを指定した自明なラベルを付与し,拡張データセット上で共同認知スコアマッチングを行うことにより,ラベル付きサンプルを組み込んだ簡易かつ効果的な手法を提案する。 本方式では,対象条件分布の個体群レベルの識別性を保証する十分な条件を提供する。 さらに, 十分な数の未ラベルサンプルが得られれば, LACDによるサンプリング分布は, 全変動距離において純粋な教師付き推定器よりも厳密に収束し, ワッサーシュタイン1距離では少なくとも高速である,という厳密な統計保証を確立する。 総合的, 画像, 表計算のベンチマーク実験は, 我々の理論を裏付けるものであり, 純粋な教師付き推定器と比較すると, 試料効率と生成性能が著しく向上した。

関連論文リスト

• Semi-Supervised Conditional Generative Learning through Stochastic Interpolation and Sufficient Representations [12.299177496689621]
  条件固有項と低次元潜在表現を組み合わせた半教師付きフレームワークを提案する。 RepGは生成をラベル依存の潜伏サンプリングと高次元再構成の2段階に分解する。
  論文  参考訳（メタデータ） (2026-07-18T09:21:53Z)
• Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
  ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。 我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。 我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
  論文  参考訳（メタデータ） (2026-01-19T07:55:29Z)
• Semi-Supervised Regression with Heteroscedastic Pseudo-Labels [50.54050677867914]
  両レベル最適化の観点から,疑似ラベルの影響を動的に調整する不確実性認識型擬似ラベル化フレームワークを提案する。 我々は、様々なベンチマークSSRデータセットにまたがって、我々のアプローチを検証するための理論的洞察と広範な実験を提供する。
  論文  参考訳（メタデータ） (2025-10-17T03:06:23Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
  現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。 本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。 我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
  論文  参考訳（メタデータ） (2024-10-08T15:06:10Z)
• InPL: Pseudo-labeling the Inliers First for Imbalanced Semi-supervised Learning [34.062061310242385]
  不均衡半教師付き学習(SSL)のための疑似ラベルの新しい視点を提案する。 未表示のサンプルが「流通中」か「流通外」かを測定する。 実験により、我々のエネルギーベース擬似ラベル法である textbfInPL が、不均衡なSSLベンチマークにおいて信頼性ベースの手法よりも著しく優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-13T16:45:41Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• EnergyMatch: Energy-based Pseudo-Labeling for Semi-Supervised Learning [34.062061310242385]
  半教師付き学習(SSL)における最近の最先端手法は、整合性正規化と信頼に基づく疑似ラベルを組み合わせる。 モデル信頼に頼る代わりに、ラベルのないサンプルが「流通中」であるかどうかを測定する。
  論文  参考訳（メタデータ） (2022-06-13T17:55:07Z)
• AggMatch: Aggregating Pseudo Labels for Semi-Supervised Learning [25.27527138880104]
  半教師付き学習は、大量のラベルのないデータを活用するための効果的なパラダイムであることが証明されている。 AggMatchは、異なる自信のあるインスタンスを使用して初期擬似ラベルを洗練する。 我々は,AggMatchの標準ベンチマークにおける最新の手法に対する有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2022-01-25T16:41:54Z)
• Semi-supervised Salient Object Detection with Effective Confidence Estimation [35.0990691497574]
  本研究では,少数のラベル付きサンプルと多数のラベル付きサンプルにアクセス可能な半教師付きサルエント物体検出法について検討した。 本研究では,条件付きエネルギーベースモデルの潜伏変数を用いて,人体給与ラベルの性質をモデル化する。 ラベル付きサンプルは1/16に過ぎず,最先端の完全教師付きモデルと比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2021-12-28T07:14:48Z)
• Dash: Semi-Supervised Learning with Dynamic Thresholding [72.74339790209531]
  我々は、ラベルのない例を使ってモデルをトレーニングする半教師付き学習(SSL)アプローチを提案する。 提案手法であるDashは、ラベルなしデータ選択の観点から適応性を享受する。
  論文  参考訳（メタデータ） (2021-09-01T23:52:29Z)

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。