論文の概要: D3O: Dynamic Distribution Distillation for Ordinal Regression

• arxiv url: http://arxiv.org/abs/2607.23575v1
• Date: Sun, 26 Jul 2026 09:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.161767
• Title: D3O: Dynamic Distribution Distillation for Ordinal Regression
• Title（参考訳）: D3O: 正規回帰のための動的分散蒸留
• Abstract要約: 通常の回帰は、ラベルが離散的だが本質的に順序づけられたシナリオで広く使われている。 D3Oは動的分散蒸留フレームワークで,静的な監視をオーディナルラベル分布のトレーニング駆動的進化に置き換える。
• 参考スコア（独自算出の注目度）: 9.784209833489166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ordinal regression is widely used in scenarios where labels are discrete yet inherently ordered. In practice, however, ordinal labels are often obtained by discretizing underlying continuous semantics through subjective human judgment, resulting in ambiguous boundaries and annotation noise. Such uncertainty challenges existing methods that rely on fixed supervision targets, which may reinforce biased ordering under subjective annotations. To address this limitation, we propose D3O, a dynamic distribution distillation framework that replaces static supervision with training-driven evolution of ordinal label distributions via self-distillation. Specifically, we introduce a contrastive ordinal-aware label enhancement module that leverages vision-language alignment to recover refined label distributions capturing both inter-class ambiguity and instance-level uncertainty. Furthermore, we design a CDF-based cross-layer interaction distillation mechanism to propagate cumulative ordinal structure across network hierarchy, ensuring consistent ordinal geometry in intermediate representations. Extensive experiments on four general ordinal regression tasks demonstrate that our proposed D3O consistently outperforms existing approaches, particularly under severe class imbalance and noisy supervision. These results highlight the effectiveness of dynamic supervision in learning robust ordinal representations beyond fixed targets. The code will be publicly available.
• Abstract（参考訳）: 通常の回帰は、ラベルが離散的だが本質的に順序づけられたシナリオで広く使われている。 しかし、実際には、順序ラベルは主観的人的判断を通じて基礎となる連続的意味論を識別することで得られることが多く、曖昧な境界と注釈ノイズをもたらす。 このような不確実性は、固定された監督対象に依存する既存の手法に挑戦し、主観的アノテーションの下でバイアスのある順序を補強する可能性がある。 この制限に対処するため,動的分散蒸留フレームワークであるD3Oを提案する。 具体的には、クラス間のあいまいさとインスタンスレベルの不確実性の両方を捉えた改良されたラベル分布を復元するために、視覚言語アライメントを活用する、対照的な順序付きラベル拡張モジュールを導入する。 さらに,CDFに基づく層間相互作用蒸留機構を設計し,ネットワーク階層間の累積順序構造を伝播させ,中間表現における一貫した順序構造を確保する。 4つの一般順序回帰タスクに関する広範囲な実験により、提案したD3Oは、特に重度のクラス不均衡とノイズ管理の下で、既存のアプローチを一貫して上回っていることが示された。 これらの結果は、固定目標を超えた頑健な順序表現の学習における動的監視の有効性を強調した。 コードは公開されます。

関連論文リスト

• DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation [58.47973015036709]
  DisPOSEは、本質的に離散的な多視点人物割り当て問題を近似する自己教師型フレームワークである。 特定可能なシンクホーン射影を用いることにより、本モデルは有効かつ実現可能な課題への解の導出を学ぶ。 提案手法は、標準データセット上での最先端の自己教師手法よりも優れている。
  論文  参考訳（メタデータ） (2026-06-05T16:14:39Z)
• DiffoR: A Unified Continuous Generative Framework for Universal Ordinal Regression [37.354096693649375]
  正規回帰は、固有の順序でターゲット値を予測することを目的としている。 既存のパラダイムは、量子化アーティファクトとグローバルな順序的トポロジカルな知覚の欠如によって制約されている。 新たなパラダイムの下では,拡散モデルを用いて連続順序値の復元を行う統合フレームワークであるDiffORを導入する。
  論文  参考訳（メタデータ） (2026-05-29T07:38:39Z)
• Learning Transferable Predictability Representations [2.1505812656718795]
  予測可能性条件の順序付き連続体上の位置を反映した短い軌跡窓にスカラースコアを割り当てる問題について検討する。 我々はこれを5段階の予測可能性はしご上での順序推定として定式化し、システム間のあいまいさの構造的源を特定する。 GON(Gauge-Fixed Ordinal Network)は,レベルワイドスコアをピン留めして目標座標を共有するアンカー・アンド・ディスラプティビティで訓練された時間的畳み込みモデルである。
  論文  参考訳（メタデータ） (2026-05-28T21:38:49Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Explicit Dropout: Deterministic Regularization for Transformer Architectures [55.09895958546215]
  ドロップアウトはディープラーニングにおいて広く使われている正規化手法であるが、その効果は一般的にマスキングによって実現される。 トレーニング損失に直接組み込まれた加算正則化器としてドロップアウトを表現する決定論的定式化を提案する。
  論文  参考訳（メタデータ） (2026-04-22T12:45:51Z)
• The Emergence of Lab-Driven Alignment Signatures: A Psychometric Framework for Auditing Latent Bias and Compounding Risk in Generative AI [0.0]
  本稿では,不確実性の下での潜在特性推定を定量化する新しい監査フレームワークを提案する。 この研究は最適化バイアス、Sycophancy、Status-Quo Legitimizationを含む9つの次元にわたる主要なモデルを監査している。
  論文  参考訳（メタデータ） (2026-02-19T06:56:01Z)
• CLIMB-3D: Continual Learning for Imbalanced 3D Instance Segmentation [67.36817440834251]
  我々はtextbfCLass-incremental textbfIm Balance-aware textbf3DIS の統一フレームワークを提案する。 提案手法は, 先行研究を最大16.76%まで上回り, セマンティックセマンティックセマンティックセマンティクスでは約30%のmIoUを達成している。
  論文  参考訳（メタデータ） (2025-02-24T18:58:58Z)
• Unsupervised Domain Adaptation for Action Recognition via Self-Ensembling and Conditional Embedding Alignment [2.06242362470764]
  本稿では, 整合正則化, 時間アンサンブル, 条件分布アライメントの3つの関数からなる新しい共同最適化アーキテクチャを提案する。 $mu$DARは、平均マクロF1スコアを4つのベンチマークwHARデータセットで6つの最先端UDAメソッドで改善する$approx$4-12%の範囲をもたらす。
  論文  参考訳（メタデータ） (2024-10-23T00:59:27Z)
• CORE: Learning Consistent Ordinal REpresentations for Image Ordinal Estimation [35.39143939072549]
  本稿では,本研究の基盤となるラベルに存在する順序関係から,本質的な一貫性のある順序表現(CORE)を学習することを提案する。 COREは、順序付き潜在空間を正確に構築し、より優れた結果を得るために既存の深い順序付き回帰法を大幅に強化することができる。
  論文  参考訳（メタデータ） (2023-01-15T15:42:26Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Self-supervised debiasing using low rank regularization [59.84695042540525]
  純粋な相関は、ディープニューラルネットワークの強いバイアスを引き起こし、一般化能力を損なう可能性がある。 ラベルのないサンプルと互換性のある自己監督型脱バイアスフレームワークを提案する。 注目すべきは,提案フレームワークが自己教師付き学習ベースラインの一般化性能を著しく向上させることである。
  論文  参考訳（メタデータ） (2022-10-11T08:26:19Z)

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。