論文の概要: Recent advances in weakly supervised learning: New supervision paradigms, assumption relaxations, and practical solutions
- arxiv url: http://arxiv.org/abs/2608.06896v2
- Date: Tue, 11 Aug 2026 11:44:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 16:08:30.447438
- Title: Recent advances in weakly supervised learning: New supervision paradigms, assumption relaxations, and practical solutions
- Title（参考訳）: 弱教師付き学習の最近の進歩:新しい指導パラダイム、仮定緩和、実践的解決策
- Authors: Wei Wang, Gang Niu, Masashi Sugiyama,
- Abstract要約: 信頼性差分分類と呼ばれる弱教師付き二項分類問題を新たに導入する。
次に、弱教師付き多クラス分類問題である相補的ラベル学習について検討する。
部分ラベル学習のための評価フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 58.87774197085966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has achieved great success in recent years thanks to the availability of high-quality, well-annotated training data. However, this requirement is often not met in real-world applications. Weakly supervised learning aims to train an accurate model with incomplete, inexact, or inaccurate supervision. In this chapter, we will discuss recent advances in this field, including new supervision paradigms, relaxed assumptions, and practical solutions. First, we introduce a new weakly supervised binary classification problem called confidence-difference classification and propose consistent approaches to solve it. Next, we investigate complementary-label learning, a weakly supervised multi-class classification problem. Our proposed approaches are based on more relaxed assumptions about the data generation process than existing consistent approaches. Lastly, we present an evaluation framework for partial-label learning, another popular multi-class weakly supervised learning problem, in order to promote fair and realistic evaluation of algorithms in this field.
- Abstract（参考訳）: 近年,高品質で注釈付きトレーニングデータの提供により,ディープラーニングは大きな成功を収めている。
しかし、この要件は現実世界のアプリケーションでは満たされないことが多い。
弱い教師付き学習は、不完全な、不正確な、または不正確な監督を伴う正確なモデルを訓練することを目的としている。
本章では、新たな監督パラダイム、緩和された仮定、実用的な解決策など、この分野の最近の進歩について論じる。
まず、信頼性差分分類と呼ばれる弱教師付き二項分類問題を導入し、それを解決する一貫したアプローチを提案する。
次に、弱教師付き多クラス分類問題である相補的ラベル学習について検討する。
提案手法は、既存の一貫したアプローチよりも、データ生成プロセスに関するよりリラックスした仮定に基づいている。
最後に、この分野におけるアルゴリズムの公平かつ現実的な評価を促進するために、さらに人気のあるマルチクラス弱教師付き学習問題である、部分ラベル学習の評価フレームワークを提案する。
関連論文リスト
- Exploiting Fine-Grained Prototype Distribution for Boosting Unsupervised Class Incremental Learning [13.17775851211893]
本稿では,教師なしクラスインクリメンタルラーニング(UCIL)の課題について検討する。
この問題に対処することの本質は、包括的特徴表現を効果的に捉え、未知の新しいクラスを発見することである。
本稿では,新しいクラスと既存クラスの重複を最小限に抑え,歴史的知識を保存し,破滅的な忘れの現象を緩和する戦略を提案する。
論文 参考訳（メタデータ） (2024-08-19T14:38:27Z) - Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。
均一分布仮定に依存しない一貫したアプローチを提案する。
相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文 参考訳（メタデータ） (2023-11-27T02:59:17Z) - Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。
凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
論文 参考訳（メタデータ） (2023-03-28T13:47:16Z) - Prototypical quadruplet for few-shot class incremental learning [24.814045065163135]
改良されたコントラスト損失を用いて,より優れた埋め込み空間を同定し,分類ロバスト性を向上させる手法を提案する。
我々のアプローチは、新しいクラスで訓練された場合でも、埋め込み空間で以前獲得した知識を保っている。
提案手法の有効性は,新しいクラスでモデルを訓練した後,組込み空間がそのままであることを示すとともに,各セッションの精度で既存の最先端アルゴリズムより優れていることを示すことで実証する。
論文 参考訳（メタデータ） (2022-11-05T17:19:14Z) - Demystifying Unsupervised Semantic Correspondence Estimation [13.060538447838303]
教師なし学習のレンズによる意味対応推定について検討する。
我々は、最近提案された複数の課題データセットにまたがる教師なしの手法を徹底的に評価した。
本稿では,事前学習した特徴の強さを活かし,トレーニング中のより優れた試合を奨励する,新しい教師なし対応手法を提案する。
論文 参考訳（メタデータ） (2022-07-11T17:59:51Z) - Recent Deep Semi-supervised Learning Approaches and Related Works [0.9790236766474201]
セミ教師付き学習は,ラベルの不足やラベルなしデータの量が多いことをモデルトレーニングに活用する学習手法である。
半教師付き学習環境における深層ニューラルネットワークの利用について,主に考察する。
論文 参考訳（メタデータ） (2021-06-22T03:44:03Z) - Disambiguation of weak supervision with exponential convergence rates [88.99819200562784]
教師付き学習では、データは不完全で差別的な情報で注釈付けされる。
本稿では,ある入力から潜在的な対象のセットが与えられる弱い監督の事例である部分的ラベリングに焦点を当てる。
弱い監督から完全な監督を回復する実証的曖昧化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-04T18:14:32Z) - Learning the Truth From Only One Side of the Story [58.65439277460011]
一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。
理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
論文 参考訳（メタデータ） (2020-06-08T18:20:28Z)
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。