論文の概要: LiNC: Lightweight Noise Correction via Per-Sample Trust and Gaussian Mixture Modeling

• arxiv url: http://arxiv.org/abs/2608.04147v1
• Date: Tue, 04 Aug 2026 18:55:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.59774
• Title: LiNC: Lightweight Noise Correction via Per-Sample Trust and Gaussian Mixture Modeling
• Title（参考訳）: LiNC: サンプル単位の信頼とガウス混合モデルによる軽量ノイズ補正
• Authors: Abhishek Moturu, Babak Taati, Anna Goldenberg,
• Abstract要約: 軽量ノイズ補正(LiNC)は、観測されたラベルを使用するタイミングと、標準トレーニングループ中にモデルに遅延するタイミングを学習する。 この目的の勾配は、初期訓練段階において、クリーンなサンプルとノイズの多いサンプルに対して、反対方向の信頼値を駆動することを示します。 MedMNISTv2による最大50%のラベルノイズ下での10つの2Dデータセットの実験では、精度と強い誤ラベル検出が一貫した向上を示した。
• 参考スコア（独自算出の注目度）: 4.691805203236375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Label noise is common in medical imaging datasets due to factors such as inter-rater variability, annotation errors, and ambiguous cases. This can severely undermine the reliability and clinical effectiveness of machine learning models trained using those datasets. To address this challenge, we introduce Lightweight Noise Correction (LiNC), which adds a single trainable trust parameter per training sample and learns when to use the observed label and when to defer to the model during a standard training loop. The key idea is to train using a convex combination of the observed label and the model's own predictive distribution, controlled by a per-sample trust parameter. We show that the gradient of this objective drives trust values in opposite directions for clean versus noisy samples in the early training phase, yielding separable trust distributions. We use a 3-component Gaussian Mixture Model over the trust values to separate them into clean, ambiguous, and noisy cases and then execute a short soft-correction phase on the noisy cases and a final hard correction phase. Experiments on ten 2D datasets from MedMNISTv2 under label noise of up to 50% show consistent gains in accuracy and strong mislabel detection. LiNC adds negligible asymptotic overhead: the training-time complexity remains dominated by the base network, with additional memory growing linearly with the size of the training set.
• Abstract（参考訳）: ラベルノイズは、レーザー間変動、アノテーションエラー、あいまいなケースなどの要因により、医用画像データセットでよく見られる。 これにより、これらのデータセットを使用してトレーニングされた機械学習モデルの信頼性と臨床的有効性を著しく損なう可能性がある。 この課題に対処するために、軽量ノイズ補正(LiNC)を導入し、トレーニングサンプル毎に単一のトレーニング可能な信頼パラメータを追加し、観測されたラベルの使用時期と標準トレーニングループ中にモデルに遅延するタイミングを学習する。 鍵となる考え方は、観察されたラベルとモデル自身の予測分布の凸の組み合わせを使ってトレーニングすることであり、サンプルごとの信頼パラメータによって制御される。 本研究の目的は, 早期学習段階において, クリーンなサンプルとノイズの多いサンプルに対して, 信頼度を反対方向に推し進めることであり, 分離可能な信頼分布が得られることにある。 信頼値に対して3成分のガウス混合モデルを用いて、それらをクリーンで曖昧でノイズの多いケースに分割し、ノイズのあるケースと最終的なハード修正フェーズで短いソフト補正フェーズを実行する。 MedMNISTv2による最大50%のラベルノイズ下での10つの2Dデータセットの実験では、精度と強い誤ラベル検出が一貫した向上を示した。 LiNCは無視可能な漸近的オーバーヘッドを追加する。トレーニング時間の複雑さはベースネットワークに支配され、トレーニングセットのサイズと線形にメモリが増大する。

関連論文リスト

• Focus When Necessary: Adaptive Routing and Collaborative Grounding for Training-Free Visual Grounding [56.38477453373368]
  LazyMCoTは動的でトレーニング不要なフレームワークで、サンプルの難易度に基づいて視覚的接地作業を適応的に割り当てる。 LazyMCoTは、推論精度を同時に改善し、平均推論レイテンシを低減することで、トレーニングベースのアプローチと競合する。
  論文  参考訳（メタデータ） (2026-06-15T03:17:44Z)
• From Calibration to Refinement: Seeking Certainty via Probabilistic Evidence Propagation for Noisy-Label Person Re-Identification [40.73759251488672]
  既存のノイズロスのある人物Re-ID法は、ソフトマックス出力を用いた損失補正やサンプル選択方式に依存している。 本稿では,キャリブレーションからリファインメントへ伝播する確率的証拠を通じて確実性を求める2段階フレームワークであるCARE法を提案する。 精製段階では, クリーン試料とノイズ試料をより正確に識別できるエビデンス伝搬精製法(EPR)を設計する。
  論文  参考訳（メタデータ） (2026-02-26T15:50:15Z)
• 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)
• CalibrateMix: Guided-Mixup Calibration of Image Semi-Supervised Models [49.588973929678765]
  CalibrateMixは、SSLモデルのキャリブレーションを改善することを目的とした、ミックスアップベースのアプローチである。 提案手法は,既存のSSL手法と比較して,期待校正誤差(ECE)の低減と精度の向上を実現している。
  論文  参考訳（メタデータ） (2025-11-17T04:43:53Z)
• Beyond One-Hot Labels: Semantic Mixing for Model Calibration [22.39558434131574]
  textbfCalibration-aware Semantic Mixing (CSM) は、クラス特性の混合したトレーニングサンプルを生成する新しいフレームワークである。 我々はCSMが最先端のキャリブレーション手法よりも優れたキャリブレーションを実現することを示す。
  論文  参考訳（メタデータ） (2025-04-18T08:26:18Z)
• CALICO: Confident Active Learning with Integrated Calibration [11.978551396144532]
  トレーニングプロセス中にサンプル選択に使用される信頼度を自己校正するALフレームワークを提案する。 ラベル付きサンプルが少ないソフトマックス分類器と比較して,分類性能が向上した。
  論文  参考訳（メタデータ） (2024-07-02T15:05:19Z)
• 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)
• Is your noise correction noisy? PLS: Robustness to label noise with two stage detection [16.65296285599679]
  本報告では, ノイズが検出された場合に, ノイズの補正精度を向上させることを提案する。 多くの最先端コントリビューションでは、修正された擬似ラベルを推測する前にノイズサンプルを検出する2段階のアプローチが採用されている。 ノイズサンプルの擬似ラベルの正しさと強く相関する単純な測度である擬似ロスを提案する。
  論文  参考訳（メタデータ） (2022-10-10T11:32:28Z)
• Label-Noise Learning with Intrinsically Long-Tailed Data [65.41318436799993]
  本稿では,本質的な長期データを用いたラベルノイズ学習のための学習フレームワークを提案する。 具体的には, 2段階の2次元試料選択法(TABASCO)を提案する。
  論文  参考訳（メタデータ） (2022-08-21T07:47:05Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)

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。