Fugu-MT 論文翻訳(概要): XMix: Combating Extremely Noisy Labels via Local Smoothness in Self-Supervised Feature Space

論文の概要: XMix: Combating Extremely Noisy Labels via Local Smoothness in Self-Supervised Feature Space

arxiv url: http://arxiv.org/abs/2607.23865v1
Date: Sun, 26 Jul 2026 22:15:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-28 22:34:15.256297
Title: XMix: Combating Extremely Noisy Labels via Local Smoothness in Self-Supervised Feature Space
Title（参考訳）: XMix: ローカルなスムースネスを生かした超ノイズラベリング
Abstract要約: 監視されたディープラーニングモデルは、大きく正確にラベル付けされたデータセットに依存しているが、ノイズの多いアノテーションはしばしば避けられない。近年の最先端手法は、サンプル選択戦略を用いて、半教師付き学習のためのクリーンデータをフィルタリングする。我々は,自己監督型特徴空間における局所的滑らかさを活用して,サンプル選択プロセスのすべての段階を強化する新しいフレームワークであるXMixを提案する。
参考スコア（独自算出の注目度）: 15.730810754052458
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Supervised deep learning models rely on large, accurately labeled datasets, yet noisy annotations are often unavoidable and can severely degrade performance under high noise levels. Recent state-of-the-art methods tackle this by using sample selection strategies that exploit the memorization effect to filter out clean data for semi-supervised learning. However, these methods struggle with extreme noise, class imbalance, and require careful tuning or prior noise knowledge. To address these limitations, we propose XMix, a novel framework that leverages local smoothness in the self-supervised feature space to systematically enhance all stages of the sample selection process, without dependence on potentially corrupted labels. First, XMix estimates the noise rate using maximum likelihood among self-supervised feature neighbors. Second, these neighbors then help identify additional clean samples and ensure balanced selection across classes during sample selection. Finally, in the semi-supervised learning phase, XMix uses neighboring samples to generate more reliable pseudo-labels. Our empirical results show that XMix substantially outperforms existing methods in extremely noisy environments and maintains superior performance in standard LNL benchmarks.
Abstract（参考訳）: 監視されたディープラーニングモデルは、大きく正確にラベル付けされたデータセットに依存していますが、ノイズの多いアノテーションはしばしば避けられず、高いノイズレベル下でパフォーマンスを著しく低下させます。近年の最先端手法では, 記憶効果を利用したサンプル選択手法を用いて, 半教師付き学習のためのクリーンデータをフィルタリングする手法が提案されている。しかし、これらの手法は、極端なノイズ、クラス不均衡に悩まされ、注意深いチューニングや事前のノイズ知識を必要とする。これらの制約に対処するために,自己教師付き特徴空間の局所的滑らかさを活用して,潜在的なラベルに依存することなく,サンプル選択プロセスのすべての段階を体系的に拡張する,新しいフレームワーク XMix を提案する。第一に、XMixは、自己監督機能近傍の最大音量を用いてノイズ率を推定する。次に、これらの隣人は、追加のクリーンサンプルを特定し、サンプル選択中にクラス間のバランスの取れた選択を保証する。最後に、半教師付き学習フェーズでは、XMixは近隣のサンプルを使用してより信頼性の高い擬似ラベルを生成する。実験結果から,XMixは既存手法よりもノイズの多い環境下ではかなり優れており,標準LNLベンチマークでは優れた性能を維持していることがわかった。

関連論文リスト

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)
Extracting Clean and Balanced Subset for Noisy Long-tailed Classification [66.47809135771698]
そこで我々は,分布マッチングの観点から,クラスプロトタイプを用いた新しい擬似ラベリング手法を開発した。手動で特定の確率尺度を設定することで、ノイズと長い尾を持つデータの副作用を同時に減らすことができる。本手法は, クリーンなラベル付きクラスバランスサブセットを抽出し, ラベルノイズ付きロングテール分類において, 効果的な性能向上を実現する。
論文参考訳（メタデータ） (2024-04-10T07:34:37Z)
Learning with Imbalanced Noisy Data by Preventing Bias in Sample Selection [82.43311784594384]
実世界のデータセットには、ノイズの多いラベルだけでなく、クラス不均衡も含まれている。不均衡なデータセットにおけるノイズラベルに対処する,単純かつ効果的な手法を提案する。
論文参考訳（メタデータ） (2024-02-17T10:34:53Z)
Combating Label Noise With A General Surrogate Model For Sample Selection [77.45468386115306]
本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。提案手法の有効性を実世界および合成ノイズデータセットで検証した。
論文参考訳（メタデータ） (2023-10-16T14:43:27Z)
Instance-dependent Noisy-label Learning with Graphical Model Based Noise-rate Estimation [16.283722126438125]
ラベルノイズ学習(LNL)は、クリーンでノイズの多いラベルサンプルを区別するためにサンプル選択段階を組み込む。このようなカリキュラムは、トレーニングセットの実際のラベルノイズ率を考慮していないため、準最適である。本稿では,ほとんどのSOTA (State-of-the-art) LNL法と容易に統合できる新しいノイズレート推定法を用いて,この問題に対処する。
論文参考訳（メタデータ） (2023-05-31T01:46:14Z)
Latent Class-Conditional Noise Model [54.56899309997246]
本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
論文参考訳（メタデータ） (2023-02-19T15:24:37Z)
Learning from Noisy Labels with Coarse-to-Fine Sample Credibility Modeling [22.62790706276081]
ノイズの多いラベルでディープニューラルネットワーク(DNN)を訓練することは事実上難しい。従来の取り組みでは、統合されたデノナイジングフローで部分データや完全なデータを扱う傾向があります。本研究では,ノイズの多いデータを分割・分散的に処理するために,CREMAと呼ばれる粗大な頑健な学習手法を提案する。
論文参考訳（メタデータ） (2022-08-23T02:06:38Z)
Neighborhood Collective Estimation for Noisy Label Identification and Correction [92.20697827784426]
ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
論文参考訳（メタデータ） (2022-08-05T14:47:22Z)
Open-set Label Noise Can Improve Robustness Against Inherent Label Noise [27.885927200376386]
オープンセットノイズラベルは非毒性であり, 固有ノイズラベルに対するロバスト性にも寄与することを示した。本研究では,動的雑音ラベル(ODNL)を用いたオープンセットサンプルをトレーニングに導入することで,シンプルかつ効果的な正規化を提案する。
論文参考訳（メタデータ） (2021-06-21T07:15:50Z)
LongReMix: Robust Learning with High Confidence Samples in a Noisy Label Environment [33.376639002442914]
新しい2段ノイズラベルトレーニングアルゴリズムLongReMixを提案します。 CIFAR-10, CIFAR-100, WebVision, Clothing1M, Food101-NでLongReMixを試験した。私たちのアプローチは、ほとんどのデータセットで最先端のパフォーマンスを実現します。
論文参考訳（メタデータ） (2021-03-06T18:48:40Z)

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。