論文の概要: Leveraging Dissimilarity Invariance as a Robust Anchor for Learning with Noisy Labels

• arxiv url: http://arxiv.org/abs/2607.17857v1
• Date: Mon, 20 Jul 2026 11:56:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.609265
• Title: Leveraging Dissimilarity Invariance as a Robust Anchor for Learning with Noisy Labels
• Title（参考訳）: 雑音ラベルを用いた学習におけるロバストアンカーとしての異種差の活用
• Abstract要約: ディープラーニングモデルは視覚認識に優れるが、トレーニングラベルがノイズによって破損した場合、厳しいパフォーマンス低下を被る。 我々は、ラベルノイズにもかかわらず無関係なサンプル間の意味的相違が安定している現象、異種性不変性(dissimilarity invariance)を明らかにする。 脆弱な類似性から堅牢な相似性へと焦点を移すプラグイン・アンド・プレイフレームワークであるNegScaleを提案する。
• 参考スコア（独自算出の注目度）: 7.387043782056831
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models excel in visual recognition but suffer severe performance drops when training labels are corrupted by noise. Under label noise prior work cannot learn accurate similarities and thus misguide the learning process. In this paper, we uncover a complementary and novel phenomenon, Dissimilarity Invariance, whereby semantic dissimilarity between unrelated samples remains stable despite label noise. Leveraging this insight, we propose NegScale, a plug-and-play framework that shifts focus from fragile similarity to robust dissimilarity. NegScale integrates: (1) Structured Negative Orthogonality Penalty (SNOP), enforcing subspace orthogonality for unrelated samples; and (2) Dissimilarity-Calibrated Similarity Adjustment (DCSA), suppressing spurious similarity using dissimilarity anchors. We also give theoretical analysis that proves Dissimilarity Invariance and the effectiveness of NegScale. Empirical results demonstrate that NegScale consistently outperforms state-of-the-art baselines, establishing new benchmarks on CIFAR with synthetic noise and real-world datasets.
• Abstract（参考訳）: ディープラーニングモデルは視覚認識に優れるが、トレーニングラベルがノイズによって破損した場合、厳しいパフォーマンス低下を被る。 ラベルノイズの下では、事前作業は正確な類似性を学ばず、学習過程を誤解する。 本稿では,ラベルノイズにもかかわらず,無関係なサンプル間の意味的相違が安定している,相補的で斬新な「相違性不変性」現象を明らかにする。 この洞察を生かしたNegScaleは、脆弱な類似性から堅牢な相違性へと焦点を移すプラグイン・アンド・プレイフレームワークである。 NegScaleは,(1)非関連サンプルに対する部分空間直交を強制するSNOP(Structured Negative Orthogonality Penalty),(2)非類似性アンカーによる突発的類似性を抑制するDCSA(Dissimilarity-Calibrated similarity Adjustment)を統合した。 また, 相似性不変性とNegScaleの有効性を証明した理論的解析を行った。 実証的な結果によると、NegScaleは最先端のベースラインを一貫して上回り、合成ノイズと実世界のデータセットを備えたCIFARの新しいベンチマークを確立している。

関連論文リスト

• Reliable Active Learning from Unreliable Labels via Neural Collapse Geometry [5.1511135538176]
  アクティブラーニング(AL)は、情報的なサンプルを優先順位付けすることでアノテーションのコストを削減することを約束するが、ラベルがうるさい場合やデータ分散がシフトした場合、その信頼性は低下する。 本稿では,深層ネットワークの創発的幾何学的規則性を活用し,信頼できない監視に対処するフレームワークである能動学習(NCAL-R)を提案する。
  論文  参考訳（メタデータ） (2025-10-10T17:50:31Z)
• 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)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Doubly Stochastic Models: Learning with Unbiased Label Noises and Inference Stability [85.1044381834036]
  勾配降下のミニバッチサンプリング設定におけるラベル雑音の暗黙的正則化効果について検討した。 そのような暗黙的正則化器は、パラメータの摂動に対してモデル出力を安定化できる収束点を好んでいる。 我々の研究は、SGDをオルンシュタイン-ウレンベック類似の過程とはみなせず、近似の収束によってより一般的な結果を得る。
  論文  参考訳（メタデータ） (2023-04-01T14:09:07Z)
• Label Noise-Robust Learning using a Confidence-Based Sieving Strategy [15.997774467236352]
  ラベルノイズを伴うタスクの学習では、オーバーフィッティングに対するモデルの堅牢性を改善することが重要な課題である。 サンプルをノイズのあるラベルで識別し、モデルを学習するのを防ぐことは、この課題に対処するための有望なアプローチである。 本研究では, 信頼度誤差と呼ばれる新しい判別基準と, クリーンサンプルとノイズサンプルを効果的に識別するためのCONFESと呼ばれるシービング戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-11T10:47:28Z)
• Noise-Robust Bidirectional Learning with Dynamic Sample Reweighting [28.493837430606117]
  標準のクロスエントロピー損失でトレーニングされたディープニューラルネットワークは、ノイズの多いラベルの傾向が強い。 相補ラベルを用いた負の学習は、ノイズラベルが介入する場合はより堅牢であるが、非常に遅いモデル収束速度を持つ。 本稿では、まず、正の学習が収束速度を保証し、負の学習がラベルノイズに頑健に対処する双方向学習方式を提案する。
  論文  参考訳（メタデータ） (2022-09-03T06:00:31Z)
• Similarity Contrastive Estimation for Self-Supervised Soft Contrastive Learning [0.41998444721319206]
  優れたデータ表現は、インスタンス間の関係、つまり意味的類似性を含んでいる、と我々は主張する。 類似性コントラスト推定(SCE)と呼ばれるインスタンス間の意味的類似性を用いたコントラスト学習の新しい定式化を提案する。 我々の訓練対象はソフトコントラスト学習と見なすことができる。
  論文  参考訳（メタデータ） (2021-11-29T15:19:15Z)
• A Theory-Driven Self-Labeling Refinement Method for Contrastive Representation Learning [111.05365744744437]
  教師なしのコントラスト学習は、正のイメージの作物と、負のイメージの作物とをラベル付けする。 本研究は, コントラスト学習において, 不正確なラベル割り当てがセマンティック・インスタンス識別の一般化を著しく損なうことを最初に証明する。 この理論に触発されて、コントラスト学習のための新しい自己ラベル改善手法を提案する。
  論文  参考訳（メタデータ） (2021-06-28T14:24:52Z)
• A Framework using Contrastive Learning for Classification with Noisy Labels [1.2891210250935146]
  雑音ラベルの存在下で画像分類を行うために,コントラスト学習を事前学習タスクとして利用するフレームワークを提案する。 擬似ラベル, ガウス混合モデルを用いたサンプル選択, 重み付き教師付きコントラスト学習などの近年の戦略は, 事前学習後の微調整相に組み合わされている。
  論文  参考訳（メタデータ） (2021-04-19T18:51:22Z)
• Tackling Instance-Dependent Label Noise via a Universal Probabilistic Model [80.91927573604438]
  本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。 合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
  論文  参考訳（メタデータ） (2021-01-14T05:43:51Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。