論文の概要: Stop Replacing Noise with Noise: Two-Source Reliability Assessment for Label Correction and Sample Reweighting in Label-Noise Learning
- arxiv url: http://arxiv.org/abs/2608.03432v1
- Date: Tue, 04 Aug 2026 10:22:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.127049
- Title: Stop Replacing Noise with Noise: Two-Source Reliability Assessment for Label Correction and Sample Reweighting in Label-Noise Learning
- Title（参考訳）: 騒音による騒音のリプレースを停止する:ラベル訂正とサンプル再重み付けのための2音源信頼性評価
- Abstract要約: 再生に基づく雑音ラベル学習は、観測されたラベルとモデル由来の擬似ターゲットを混合する。
この相補性によって、信頼できない信号が別の信号に置き換わることが示され、これは、破損した監督から学習された擬似的標的が、その補正を意図したノイズを再現する可能性があるからである。
本稿では,ラベル補正とサンプル再重み付けのための2ソース信頼性評価フレームワークTRACE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: Refurbishment-based noisy-label learning mixes an observed label with a model-derived pseudo target, typically using one sample-wise cleanliness score to control both branches. This creates a hidden coupling: reducing trust in the observed label automatically increases trust in the pseudo target. We show that this complementarity can replace one unreliable signal with another because a pseudo target learned from corrupted supervision may reproduce the noise it is meant to correct. Our representation diagnostics provide a consistent account of this mismatch: noisy supervision redirects deeper layers more strongly, whereas shallower relations remain comparatively stable and provide information beyond the loss posterior. We therefore propose TRACE, a Two-Source Reliability Assessment framework for Label Correction and Sample Reweighting. TRACE assesses the observed label using loss fit, shallow relation stability, and prediction agreement, while separately assessing the pseudo target using model confidence. Its source-specific scores control target correction and supervision strength without assuming complementary reliability. Across synthetic and real-world noisy benchmarks, TRACE improves representative refurbishment baselines and yields more reliable pseudo supervision.
- Abstract（参考訳）: 再生に基づく雑音ラベル学習は、観察されたラベルとモデル由来の擬似ターゲットを混合する。
観測されたラベルに対する信頼を減らすことで、疑似ターゲットに対する信頼が自動的に増大する。
この相補性によって、信頼できない信号が別の信号に置き換わることが示され、これは、破損した監督から学習された擬似的標的が、その補正を意図したノイズを再現する可能性があるからである。
ノイズ管理はより深い層を強くリダイレクトするが、より浅い関係は比較的安定であり、損失後部を超えて情報を提供する。
そこで我々は,ラベル補正とサンプル再重み付けのための2ソース信頼性評価フレームワークであるTRACEを提案する。
TRACEは、損失適合性、浅い関係安定性、予測合意を用いて観測されたラベルを評価し、モデル信頼度を用いて擬似目標を別々に評価する。
ソース固有のスコアは、補完的な信頼性を仮定することなく、目標の修正と監督の強度を制御する。
TRACEは、合成および実世界のノイズのベンチマーク全体にわたって、代表的改修ベースラインを改善し、より信頼性の高い疑似監視を提供する。
関連論文リスト
- Post-Calibration Reliability Reranking of Relevance Decisions via Label-wise Monotone Projection [35.67041829703622]
Web検索、製品検索、質問応答検索システムは、関連ラベルと信頼度スコアを各クエリ候補ペアに割り当てることが多い。
不正な信頼がシステムが誤った予測を過度に信頼したり、不必要に正しい予測を遅らせたりする可能性があるため、ポストホックキャリブレーションが必要である。
このギャップをラベルワイドモノトン信頼性投影 (MRP) で解決し、ラベルワイドモノトン関数を学習し、信頼度を正しさの信頼性にマップする。
論文 参考訳（メタデータ） (2026-08-11T02:51:35Z) - Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。
画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文 参考訳（メタデータ） (2026-07-29T05:16:59Z) - Dynamic Spectral Denoising with Global-Context Attention for Multi-Behavior Recommendation [58.33732779555114]
重要なボトルネックは、2つの結合した不均一性によって引き起こされる表現レベルの失敗である、と我々は主張する。
マルチビヘイビアレコメンデーション(SpectraMB)のためのグローバルコンテキストを考慮した動的スペクトルデノベーションを提案する。
SpectraMBは、ほとんどの評価設定で最高の結果を達成し、ノイズのある相互作用下での堅牢性の向上を示す。
論文 参考訳（メタデータ） (2026-06-01T15:58:13Z) - Holistic Reliability Propagation: Decoupling Annotation and Prediction for Robust Noisy-Label [3.7874902461360627]
バイレベルメタラーニングでは、サンプル毎に2つのバッチ正規化スカラー、与えられたラベルのアルファ、擬似ラベルのベータを生成する。
信頼性に配慮したMixupと、入力ブランチのグローバルゲーティングと、コントラストブランチのβ-ゲート擬似ラベルポジティクスを併用する。
合成および実世界のベンチマークでは、HRPは強いベースラインよりも平均精度を向上し、最高のノイズレートで競争力を維持する。
論文 参考訳（メタデータ） (2026-05-20T05:24:37Z) - Architecture-agnostic Lipschitz-constant Bayesian header and its application to resolve semantically proximal classification errors with vision transformers [0.0]
この研究は、アーキテクチャに依存しないリプシッツ・コンスタント・ベイジアンヘッダを示し、視覚変換器のような特徴抽出器に統合することができる。
また,不確実性と不確かさを誤分類率で捉えるための新しい指標と,適応型算術・平均融合方式を提案する。
モンテカルロサンプリングにより計算コストは上昇するが、事前に訓練されたバックボーンとのプラグ・アンド・プレイの互換性を提供する。
論文 参考訳（メタデータ） (2026-05-07T09:18:06Z) - FACT-E: Causality-Inspired Evaluation for Trustworthy Chain-of-Thought Reasoning [49.65751420291115]
CoT(Chain-of-Thought)プロンプトはLSM推論を改善したが、モデルはしばしば不誠実な中間ステップを含むコヒーレントな説明を生成する。
我々は、CoTの品質を評価するための因果性に着想を得たフレームワークであるFACT-Eを提案する。
FACT-Eは推論・軌道選択を改善し、文脈内学習を強くすることを示す。
論文 参考訳（メタデータ） (2026-04-12T15:35:08Z) - 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) - 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) - Binary Classification with Confidence Difference [100.08818204756093]
本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。
本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。
また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
論文 参考訳（メタデータ） (2023-10-09T11:44:50Z) - TRUST-LAPSE: An Explainable and Actionable Mistrust Scoring Framework
for Model Monitoring [4.262769931159288]
連続モデル監視のための"ミストラスト"スコアリングフレームワークであるTRUST-LAPSEを提案する。
我々は,各入力サンプルのモデル予測の信頼性を,潜時空間埋め込みのシーケンスを用いて評価する。
AUROCs 84.1 (vision), 73.9 (audio), 77.1 (clinical EEGs)
論文 参考訳（メタデータ） (2022-07-22T18:32:38Z) - 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。