論文の概要: Hard Cases, Bad Labels: Testing Error Exposure and Error Location in Uncertainty Sampling Under Bounded Label Noise

• arxiv url: http://arxiv.org/abs/2608.13601v1
• Date: Wed, 05 Aug 2026 03:01:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-23 14:54:39.914089
• Title: Hard Cases, Bad Labels: Testing Error Exposure and Error Location in Uncertainty Sampling Under Bounded Label Noise
• Title（参考訳）: バッドラベル:バウンドラベル雑音下での不確かさサンプリングにおけるエラー露光とエラー位置の検査
• Abstract要約: アクティブラーニングは、情報的な例を選択することでラベリングコストを削減することができるが、最も不確実な例は、ラベルを正しく付けるのが最も難しい場合でもある。 本研究は, ラベルが劣化しやすいため, 不確実性サンプリングが失敗するか否かを検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active learning can reduce labeling cost by selecting informative examples, but the most uncertain examples may also be the hardest to label correctly. This study tests whether uncertainty sampling fails because it acquires more corrupted labels or because errors concentrated in difficult regions are especially harmful. Margin-based uncertainty sampling is compared with random sampling under clean labels, random classification noise (RCN), and bounded difficulty-dependent noise on three public binary tabular datasets. The design uses 100 paired seeds, nine expected noise rates from 0 to 0.30, annotation budgets from 20 to 120, and logistic regression with regularization re-selected by cross-validation at every budget. An exposure-matched RCN control aligns mean final acquired corruption, while a clean-label extension reaches budget 400. Under clean labels, uncertainty sampling improved normalized balanced-accuracy area under the learning curve by 1.09 to 1.77 percentage points on all datasets. Difficulty-dependent noise reduced this advantage more than RCN at six of eight rates on Breast Cancer Wisconsin, but at no tested rate on Banknote Authentication or MAGIC Gamma Telescope. Exposure-matched analyses found no corrected evidence for a universal additional penalty from structured error location. On clean MAGIC data, uncertainty sampling improved balanced accuracy while reducing average precision and true-positive rate at fixed false-positive rates. Thus, uncertainty sampling was label-efficient, but its apparent robustness depended on dataset, budget, noise structure, and evaluation metric.
• Abstract（参考訳）: アクティブラーニングは、情報的な例を選択することでラベリングコストを削減することができるが、最も不確実な例は、ラベルを正しく付けるのが最も難しい場合でもある。 本研究は, ラベルが劣化しやすいため, 不確実性サンプリングが失敗するか否かを検証した。 マージンに基づく不確実性サンプリングは、クリーンラベル下でのランダムサンプリング、ランダム分類ノイズ(RCN)、および3つの公開二分グラフデータセット上の有界困難依存性ノイズと比較される。 この設計では、100個のペアシード、0から0.30までの9つのノイズレート、20から120までのアノテーション予算、そして全ての予算でクロスバリデーションによって再選択された正規化によるロジスティック回帰が使用されている。 露光マッチングされたRCN制御は、最終的な取得された汚職の平均を調整し、クリーンラベル拡張は予算400に達する。 クリーンラベルの下では、不確実性サンプリングにより、学習曲線の下で正規化された平衡精度領域が、すべてのデータセットで1.09から1.77ポイント改善された。 難易度に依存しないノイズにより、この利点はウィスコンシン州乳がんの8回のうち6回でRCNよりも減少したが、バンクノート認証やMAGICガンマ望遠鏡ではテストされなかった。 露光整合解析では、構造化されたエラー位置からの普遍的な追加罰の正当性は見つからなかった。 クリーンなMAGICデータでは、不確実性サンプリングにより、一定の偽陽性率で平均精度と真陽性率を低減し、バランスの取れた精度が向上した。 このように、不確実性サンプリングはラベル効率が高かったが、その明らかな堅牢性はデータセット、予算、騒音構造、評価基準に依存していた。

関連論文リスト

• C-Score: Beyond Accuracy for Robustness Assessment in Semi-Supervised Learning under Open-World Unlabeled Contamination [6.334765412132314]
  Pseudo-labelベースの半教師付き学習は、そのシンプルさとスケーラビリティにより、強力なパフォーマンスを実現している。 実際の展開では、ラベルのないデータはオープンな環境から収集されることが多く、OODサンプルを含むこともある。 このような汚染下では、OODサンプルは依然として高信頼の予測を受け、まるで有効な標的例であるかのように訓練に組み込むことができる。 SSLの内部学習ダイナミクスがすでに劣化している場合でも、クリーンな分散テストの精度は安定しているように見える。
  論文  参考訳（メタデータ） (2026-08-21T01:58:39Z)
• Task-Agnostic Noisy Label Detection via Standardized Loss Aggregation [0.0]
  ノイズラベルは、大規模な医療画像データセットで一般的である。 統計的基盤とタスクに依存しないフレームワークであるStandardized Loss Aggregation(SLA)を提案する。 SLAは、標準化された折りたたみレベルのバリデーション損失を集約することで、ラベルの信頼性を定量化する。
  論文  参考訳（メタデータ） (2026-05-11T08:16:09Z)
• 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)
• Learning with Imbalanced Noisy Data by Preventing Bias in Sample Selection [82.43311784594384]
  実世界のデータセットには、ノイズの多いラベルだけでなく、クラス不均衡も含まれている。 不均衡なデータセットにおけるノイズラベルに対処する,単純かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-02-17T10:34:53Z)
• CleanCoNLL: A Nearly Noise-Free Named Entity Recognition Dataset [3.3162484539136416]
  英語のCoNLL-03における全ラベルの7.0%を補正する自動整合性チェックを補助する包括的ラバーリング手法を提案する。 実験結果から, 最先端の手法がF1スコア(97.1%)をはるかに上回っているだけでなく, アノテーションノイズによる誤りとして誤算された正確な予測のシェアが47%から6%に低下していることが判明した。 これは、我々の資源が最先端モデルによる残差を分析するのに適しており、理論上界が高資源であっても、粗粒NERがまだ未定であることを示唆している。
  論文  参考訳（メタデータ） (2023-10-24T22:34:43Z)
• Reliable Label Correction is a Good Booster When Learning with Extremely Noisy Labels [65.79898033530408]
  極音下での学習に明示的に取り組むために,LC-Boosterと呼ばれる新しい枠組みを導入する。 LC-Boosterは、ラベル補正をサンプル選択に組み込むことで、信頼性の高いラベル修正を通じて、より精製されたサンプルをトレーニングに利用することができる。 実験により、LC-Boosterはいくつかのノイズラベルベンチマークで最先端の結果を前進させることが示された。
  論文  参考訳（メタデータ） (2022-04-30T07:19:03Z)
• Robustness and reliability when training with noisy labels [12.688634089849023]
  教師付き学習のためのデータの遅延は、コストと時間を要する可能性がある。 ディープニューラルネットワークは、ランダムラベルの適合、正規化、ロバストな損失関数の使用を証明している。
  論文  参考訳（メタデータ） (2021-10-07T10:30:20Z)
• In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning [53.1047775185362]
  Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。 PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。 そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-15T23:29:57Z)
• Tackling Instance-Dependent Label Noise via a Universal Probabilistic Model [80.91927573604438]
  本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。 合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
  論文  参考訳（メタデータ） (2021-01-14T05:43:51Z)
• 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。