Fugu-MT 論文翻訳(概要): Triple Expert Learning from Noisy Labels for Semi-Supervised Vision Foundation Model Adaptation

論文の概要: Triple Expert Learning from Noisy Labels for Semi-Supervised Vision Foundation Model Adaptation

arxiv url: http://arxiv.org/abs/2608.09052v1
Date: Mon, 10 Aug 2026 03:00:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:37.050056
Title: Triple Expert Learning from Noisy Labels for Semi-Supervised Vision Foundation Model Adaptation
Title（参考訳）: 半監督型ビジョンファウンデーションモデル適応のための雑音ラベルからの3つのエキスパート学習
Abstract要約: 視覚基礎モデルの半教師付き適応(VFM)は、通常、トレーニング済みのバックボーンを凍結し、LoRAのような軽量モジュールを更新する。我々はtextbfNoisy textbfLabels をベースとした textbfTriNoL による半教師付き VFM 適応学習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）: 30.047710589176976
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Semi-supervised adaptation of vision foundation models (VFMs) commonly freezes the pretrained backbone and updates lightweight modules such as LoRA. However, pseudo-labels have mixed reliability, and a single LoRA adapter must absorb reliable, ambiguous, and noisy gradients in the same low-rank space. This can make VFM adaptation sensitive to pseudo-label noise. We propose \textbf{TriNoL}, a \textbf{Tri}ple-expert learning framework from \textbf{No}isy \textbf{L}abels for semi-supervised VFM adaptation. TriNoL routes unlabeled samples into three confidence regions and assigns them to three LoRA experts: a Positive Expert for high-confidence pseudo-labels, an Alignment Expert for medium-confidence ambiguous samples, and a Negative Expert for low-confidence noisy samples. The VFM backbone remains frozen, and only the LoRA experts and classifier head are updated. By separating different pseudo-label reliability regions into specialized adaptation paths, TriNoL improves robustness to noisy supervision while keeping the training cost low.
Abstract（参考訳）: 視覚基礎モデルの半教師付き適応(VFM)は、通常、トレーニング済みのバックボーンを凍結し、LoRAのような軽量モジュールを更新する。しかし、擬似ラベルは信頼性が混在しており、1つのLoRAアダプタは同じ低ランク空間における信頼性、曖昧さ、ノイズの勾配を吸収しなければならない。これにより、VFM適応は擬似ラベルノイズに敏感になる。本稿では,半教師付き VFM 適応のために,textbf{Tri}ple-expert learning framework である \textbf{TriNoL} を提案する。 TriNoLは、未ラベルのサンプルを3つの信頼領域にルートし、3つのLoRAエキスパートに割り当てる: 高信頼の擬似ラベルのポジティブエキスパート、中信頼の曖昧なサンプルのアライメントエキスパート、低信頼のノイズのサンプルの否定エキスパート。 VFMバックボーンは凍結状態のままであり、LoRAの専門家と分類器のヘッドのみが更新される。異なる擬似ラベル信頼性領域を特別な適応パスに分割することにより、TriNoLはトレーニングコストを低く保ちながら、ノイズの多い監視に対する堅牢性を向上させる。

関連論文リスト

Stop Replacing Noise with Noise: Two-Source Reliability Assessment for Label Correction and Sample Reweighting in Label-Noise Learning [7.387043782056831]
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。
論文参考訳（メタデータ） (2026-08-04T10:22:02Z)
A Step Towards Robust Unsupervised Domain Adaptation via Fine-Tuning and Reinforcement Learning [2.436631469537453]
我々は,2段階の堅牢なUDAフレームワークである textbfSFT+RL を提案し,Supervised Fine Tuning と Reinforcement Learning を統合した。 textbfSFT+RLは、清潔な精度で textbf10.2% を平均的に改善し、textbf15.8% を3つのデータセットで比較した。
論文参考訳（メタデータ） (2026-07-03T20:56:12Z)
Collaborative Learning for Semi-Supervised LiDAR Semantic Segmentation [51.15174185939441]
LiDAR半教師付きセグメンテーション(CoLLiS)のための協調学習 CoLLiSは、同じ学生として扱うことで、複数の表現をひとつのステップで協調的に訓練する。 3つのデータセットの実験では、CoLLiSが最先端のLiDAR SemiSLメソッドを一貫して上回っていることが示されている。
論文参考訳（メタデータ） (2026-05-16T19:58:41Z)
A Semi-Supervised Framework for Speech Confidence Detection using Whisper [3.3994598883947496]
本稿では,Whisperエンコーダの深いセマンティック埋め込みを解釈可能な音響特徴ベクトルと融合する半教師付きハイブリッドフレームワークを提案する。地盤の真理データへの依存を軽減するため,不確実性に配慮した擬似ラベル戦略を導入する。実験の結果,提案手法はマクロF1スコアが0.751であり,自己教師付きベースラインよりも優れていた。
論文参考訳（メタデータ） (2026-05-12T16:50:54Z)
CDRRM: Contrast-Driven Rubric Generation for Reliable and Interpretable Reward Modeling [61.75914342638658]
CDRRM(Contrast-Driven Reward Model)は、高品質なルーリック生成と優先判断のためのフレームワークである。この作業は、報酬モデリングのためのスケーラブルで解釈可能で、データ効率のよいパスを提供する。
論文参考訳（メタデータ） (2026-03-09T07:15:23Z)
Rethinking LoRA for Privacy-Preserving Federated Learning in Large Models [14.755143405057929]
差分プライベートラーニング(DPFL)の下での微調整大型ビジョンモデル(LVM)と大規模言語モデル(LLM)は、基本的なプライバシーとユーティリティのトレードオフによって妨げられる。 Low-Rank Adaptation (LoRA)はPEFT法であり、トレーニング可能な2つの低ランク行列を導入し、事前訓練した重みを凍結することにより、計算と通信のコストを削減する。 LA-LoRAは、勾配の相互作用を分離し、クライアント間で更新方向を調整し、厳密なプライバシー制約の下で堅牢性を高める新しいアプローチである。
論文参考訳（メタデータ） (2026-02-23T15:05:28Z)
Dual-Stage Reweighted MoE for Long-Tailed Egocentric Mistake Detection [85.0189917888094]
本稿では,微妙で頻繁なミスによって生じる課題に対処するため,Dual-Stage Reweighted Mixture-of-Experts (DR-MoE) フレームワークを提案する。提案手法は,特に稀かつ曖昧な誤りの特定において,高い性能を達成する。
論文参考訳（メタデータ） (2025-09-16T12:00:42Z)
AdaCo: Overcoming Visual Foundation Model Noise in 3D Semantic Segmentation via Adaptive Label Correction [14.51758173099208]
本稿では,3次元セマンティックセグメンテーションのためのラベルのない新しい学習手法であるAdaptive Label Correction(AdaCo)を提案する。 AdaCoにはCLGM(Cross-modal Label Generation Module)が組み込まれている。提案したAdaCoは,3次元セマンティックセグメンテーションタスクにおいて,ラベルなし学習ネットワークの性能制限を効果的に緩和することができる。
論文参考訳（メタデータ） (2024-12-24T08:12:31Z)
ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
論文参考訳（メタデータ） (2024-07-03T16:33:31Z)
Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
論文参考訳（メタデータ） (2024-06-10T21:44:52Z)
Semi-supervised 3D Object Detection with Proficient Teachers [114.54835359657707]
自律運転のシナリオにおけるクラウドベースの3Dオブジェクト検出器の優位性は、大量の正確なラベル付きサンプルに大きく依存している。 Pseudo-Labeling法はSSLフレームワークで一般的に使用されているが、教師モデルの低品質な予測は、その性能を著しく制限している。そこで本研究では,教師モデルをさらに高度化することで,半教師付き3次元物体検出のためのPseudo-Labelingフレームワークを提案する。
論文参考訳（メタデータ） (2022-07-26T04:54:03Z)
Sparse Conditional Hidden Markov Model for Weakly Supervised Named Entity Recognition [68.68300358332156]
雑音ラベリング機能を評価するために,スパース条件付き隠れマルコフモデル(Sparse-CHMM)を提案する。 Sparse-CHMMは、3段階のトレーニングパイプラインで教師なし学習によって最適化される。 5つの包括的なデータセットで平均F1スコアが3.01向上する。
論文参考訳（メタデータ） (2022-05-27T20:47:30Z)

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。