論文の概要: Few-Shot Open-Set Audio Classification via Transductive Prototype Refinement and Class Logit Enhancement

• arxiv url: http://arxiv.org/abs/2607.26607v1
• Date: Wed, 29 Jul 2026 08:29:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.582634
• Title: Few-Shot Open-Set Audio Classification via Transductive Prototype Refinement and Class Logit Enhancement
• Title（参考訳）: トランスダクティブ・プロトタイプ・リファインメントとクラス・ロジット・エンハンスメントによるFew-Shotオープンセット音声分類
• Authors: Tianyan Deng, Yanxiong Li, Rui Gao, Jiahao Du,
• Abstract要約: 冷凍オーディオエンコーダ上で動作させる2相トランスダクティブ手法を提案する。 まず、各クエリサンプルには遅延不整合スコアが割り当てられる。 次に, 改良された試作機は, クロスエントロピー, インリアネス重み付き条件エントロピー, インリアネス重み付き境界エントロピーを併用したトランスダクティブ損失に直接最適化する。
• 参考スコア（独自算出の注目度）: 11.626271838991883
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Few-shot Open-set audio classification requires classifying query samples from known classes with a few labeled support samples while rejecting query samples from unknown classes. Transductive inference jointly observes the full unlabeled query set to improve prototype estimation, yet standard transductive updates do not distinguish known from unknown query samples, leaving prototypes vulnerable to open-set contamination. Drawing on latent-inlierness weighting and decoupled scoring for unknown-class samples, we propose a two-phase transductive method operating over a frozen audio encoder. First, each query sample is assigned a latent inlierness score that down-weights likely unknown-class samples, so that prototype refinement is driven primarily by known-class evidence. The refined prototypes are then directly optimized on a transductive loss combining support cross-entropy, inlierness-weighted conditional entropy minimization, and inlierness-weighted marginal entropy maximization, while open-set rejection uses a prior-adaptive free-energy score that adjusts its threshold with the prior proportion of unknown-class samples, decoupling detection from classification. Experiments on three audio datasets show our method achieves state-of-the-art results for few-shot open-set audio classification under multiple experimental conditions.
• Abstract（参考訳）: 少数のオープンセットオーディオ分類では、未知のクラスからのクエリサンプルを拒否しながら、ラベル付きサポートサンプルで既知のクラスからクエリサンプルを分類する必要がある。 トランスダクティブ推論は、プロトタイプ推定を改善するために、完全にラベル付けされていないクエリセットを共同で観測するが、標準的なトランスダクティブ更新は未知のクエリサンプルと区別せず、プロトタイプはオープンセットの汚染に弱いままである。 そこで本研究では, 冷凍オーディオエンコーダ上で動作させる2相トランスダクティブ手法を提案する。 まず、各クエリサンプルには、おそらく未知のクラスサンプルの低い値の潜伏不整合スコアが割り当てられるので、プロトタイプの精査は、主に既知のクラス証拠によって進められる。 改良されたプロトタイプは、サポートクロスエントロピー、非リアリティー重み付き条件エントロピー最小化、非リアリティー重み付き辺縁エントロピー最大化を組み合わせたトランスダクティブ損失を直接最適化する一方、オープンセットの拒絶は、その閾値を未知のクラスサンプルの事前比率に調整する事前適応自由エネルギースコアを使用し、分類から分離する。 3つのオーディオデータセットを用いた実験により,複数実験条件下での複数ショットのオープンセット音声分類における最先端結果が得られた。

関連論文リスト

• Pre-Generation Hallucination Detection in Large Language Models via Soft-Target Attention Probing [0.9870126088784975]
  実験的な回答誤り率を過度にサンプリングした結果に基づいて,ソフトターゲットの監視を導入する。 我々は、前世代の設定に注意を向けることで、検知器が幻覚関連プロンプト表現を選択的に集約することを可能にする。
  論文  参考訳（メタデータ） (2026-06-20T07:31:41Z)
• 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)
• PASS: Peer-Agreement based Sample Selection for training with Noisy Labels [16.283722126438125]
  ノイズラベルサンプルの頻度は、深層学習において重要な課題となり、過剰適合効果を誘発する。 現在の方法論は、しばしばノイズとクリーンなラベルのサンプルを分離するために、小さな損失仮説や特徴に基づく選択に依存している。 本稿では,PASS (Peer-Agreement based Sample Selection) と呼ばれる新しいノイズラベル検出手法を提案する。
  論文  参考訳（メタデータ） (2023-03-20T00:35:33Z)
• 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)
• Centrality and Consistency: Two-Stage Clean Samples Identification for Learning with Instance-Dependent Noisy Labels [87.48541631675889]
  本稿では,2段階のクリーンサンプル識別手法を提案する。 まず,クリーンサンプルの早期同定にクラスレベルの特徴クラスタリング手法を用いる。 次に, 基底真理クラス境界に近い残余のクリーンサンプルについて, 一貫性に基づく新しい分類法を提案する。
  論文  参考訳（メタデータ） (2022-07-29T04:54:57Z)
• Imbalanced Classification via a Tabular Translation GAN [4.864819846886142]
  本稿では,多数のサンプルを対応する合成マイノリティ標本にマッピングするために,新たな正規化損失を用いたジェネレーティブ・アドバイサル・ネットワークに基づくモデルを提案する。 提案手法は, 再加重法やオーバーサンプリング法と比較して, 平均精度を向上することを示す。
  論文  参考訳（メタデータ） (2022-04-19T06:02:53Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Reconstruction guided Meta-learning for Few Shot Open Set Recognition [31.49168444631114]
  ReFOCS (Reconstructing Exemplar-based Few-shot Open-set Classifier) を提案する。 新規な再構築型メタラーニング戦略であるReFOCSを用いてFSOSRを効率化する。 ReFOCSは複数の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-31T23:23:35Z)
• Jo-SRC: A Contrastive Approach for Combating Noisy Labels [58.867237220886885]
  Jo-SRC (Joint Sample Selection and Model Regularization based on Consistency) というノイズロバスト手法を提案する。 具体的には、対照的な学習方法でネットワークをトレーニングする。 各サンプルの2つの異なるビューからの予測は、クリーンまたは分布不足の「可能性」を推定するために使用されます。
  論文  参考訳（メタデータ） (2021-03-24T07:26:07Z)
• A novel multi-classifier information fusion based on Dempster-Shafer theory: application to vibration-based fault detection [0.0]
  個別分類器の性能を高めるために, 新規な多重分類器融合法を開発した。 証拠間の衝突を計測し緩和するために、新しい計量に基づく前処理技術が考案された。
  論文  参考訳（メタデータ） (2020-12-04T09:16:35Z)

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。