論文の概要: C-Score: Beyond Accuracy for Robustness Assessment in Semi-Supervised Learning under Open-World Unlabeled Contamination

• arxiv url: http://arxiv.org/abs/2608.20667v1
• Date: Fri, 21 Aug 2026 01:58:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.339509
• Title: C-Score: Beyond Accuracy for Robustness Assessment in Semi-Supervised Learning under Open-World Unlabeled Contamination
• Title（参考訳）: C-Score: オープンワールド・アンラベル汚染下の半教師付き学習におけるロバストネス評価の精度を超えて
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.334765412132314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pseudo-label-based semi-supervised learning has achieved strong performance due to its simplicity and scalability. However, it is typically developed under a closed-world assumption that unlabeled data are drawn from the same distribution as labeled data. In practical deployment, unlabeled data are often collected from open environments and may contain OOD samples. Under such contamination, OOD samples may still receive high-confidence predictions and be incorporated into training as if they were valid target examples. This creates an important evaluation problem: clean in-distribution test accuracy may appear stable even when the internal learning dynamics of SSL have already deteriorated. To address this issue, we study hidden collapse in pseudo-label-based SSL under open-world unlabeled contamination from a diagnostic evaluation perspective. We present C-Score, a compact framework that evaluates training behavior in three complementary spaces: prediction, feature representation, and optimization. C-Score includes PLE and CCI for unlabeled prediction behavior, Sem-Drift for deviation from labeled semantic anchors, and Grad-Align for the compatibility between labeled and unlabeled optimization. Experiments on CIFAR-10 and CIFAR-100 with multiple OOD sources, varying contamination ratios, and four pseudo-label-based SSL algorithms show that C-Score metrics reveal hidden degradation that clean accuracy alone fails to detect: under SVHN contamination, CCI rises over 280% while best-accuracy remains within 3% of the uncontaminated baseline; near-OOD sources (CIFAR-100, STL-10) cause up to 14.9% accuracy collapse (FlexMatch, r=0.5). The results suggest that clean accuracy alone is insufficient for evaluating SSL robustness in open-world environments, and that internal diagnostic signals are necessary for more reliable robustness assessment under unlabeled contamination.
• Abstract（参考訳）: 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。 しかし、通常、ラベル付きデータと同じ分布からラベル付きデータが引き出されるというクローズドワールドな仮定の下で開発される。 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。 この課題に対処するために,オープンワールドな未ラベル汚染下での擬似ラベルベースのSSLの隠れ崩壊について,診断評価の観点から検討した。 C-Scoreは,3つの相補的空間(予測,特徴表現,最適化)における学習行動を評価する,コンパクトなフレームワークである。 C-Scoreにはラベル付き予測動作のためのPLEとCCI、ラベル付きセマンティックアンカーからの逸脱のためのSem-Drift、ラベル付き最適化とラベルなし最適化の互換性のためのGrad-Alignが含まれている。 CIFAR-10とCIFAR-100を複数のOOD源、異なる汚染率、および4つの擬似ラベルベースのSSLアルゴリズムを用いて実験したところ、C-Scoreメトリクスは、クリーンな精度だけで検出できない隠れ劣化を明らかにしている:SVHN汚染下では、CCIは280%以上上昇し、最も精度の高いものは、未汚染ベースラインの3%以内であり、近OODソース(CIFAR-100、STL-10)は14.9%の精度崩壊を引き起こす(FlexMatch、r=0.5)。 その結果,オープンワールド環境におけるSSLロバスト性の評価にはクリーンな精度だけでは不十分であり,未ラベル汚染下での信頼性の高いロバスト性評価には内部診断信号が必要であることが示唆された。

関連論文リスト

• Can You Trust Frozen Hematology Foundation Models under Acquisition Shift? [0.0]
  4つの公開シングルセル取得ドメインで15の凍結エンコーダを監査する。 ドメイン内の線形プローブマクロF1は飽和(0.98-0.997)であるが、クロスデータセットマクロF1は34-72%低下する。 ドメイン内で最高のDinoBloom-Lは、RedDinoといくつかの一般および病理エンコーダに次いで、最もシフトしたターゲット(MLL23)で15の10位に落ちる。
  論文  参考訳（メタデータ） (2026-08-25T20:55:57Z)
• Hard Cases, Bad Labels: Testing Error Exposure and Error Location in Uncertainty Sampling Under Bounded Label Noise [0.0]
  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。
  論文  参考訳（メタデータ） (2026-08-05T03:01:19Z)
• When Accuracy Is Not Enough: Uncertainty Collapse between Noisy Label Learning and Out-of-Distribution Detection [5.922967156812547]
  雑音ラベル(LNL)を用いた学習は通常、クローズドセットの分類精度によってベンチマークされる。 本稿では,LNLチェックポイントを凍結し,ニア/ファー-OODルーティングとポストホックスコアを標準化して評価する,学習者に依存しないACC-OODベンチマークを提案する。 これらの結果は、クローズドセットの一般化、オープンワールドの信頼性、構造的重複診断を共レポートするLNLベンチマークをサポートする。
  論文  参考訳（メタデータ） (2026-05-18T03:19:45Z)
• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• USE: Uncertainty Structure Estimation for Robust Semi-Supervised Learning [6.021112703667433]
  半教師付き学習(SSL)における不確実性構造推定(USE)の導入 USEはラベル付きセットのプロキシモデルをトレーニングし、ラベルなしサンプルのエントロピースコアを計算する。 USEが一貫して精度を向上し、OOD汚染のレベルが変化していることは明らかである。
  論文  参考訳（メタデータ） (2026-02-28T01:31:46Z)
• Learning Robust Representations for Malicious Content Detection via Contrastive Sampling and Uncertainty Estimation [0.0]
  不確実性コントラストフレームワーク(UCF)は、不確実性を考慮したコントラスト損失、適応温度スケーリング、自己注意誘導型LSTMエンコーダを統合し、ノイズおよび不均衡条件下での分類を改善する。 UCFはサンプルの信頼度に基づいて対照的な重み付けを動的に調整し、正のアンカーを用いたトレーニングを安定化し、温度パラメータをバッチレベルの可変性に適応させる。
  論文  参考訳（メタデータ） (2025-12-01T22:06:06Z)
• DiCaP: Distribution-Calibrated Pseudo-labeling for Semi-Supervised Multi-Label Learning [83.94574004953346]
  半教師付きマルチラベル学習は、ラベルのないデータを活用してモデルの性能を向上させることを目的としている。 既存の手法の多くは、その品質に関わらず、すべての擬似ラベルに等しい重みを割り当てる。 擬似ラベル重みの校正に後部精度を推定する正当性認識フレームワークDiCaPを提案する。
  論文  参考訳（メタデータ） (2025-11-25T11:55:02Z)
• 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)
• Robust Semi-Supervised Learning in Open Environments [51.741549825533816]
  半教師付き学習(SSL)は、ラベルが不足しているときにラベルのないデータを活用することで、パフォーマンスを向上させることを目的としている。 不整合なラベル付きデータを利用すると、大幅な性能劣化が発生することが報告されている。 本稿では,SSLにおけるラベル,特徴,データ分散の不整合に関する技術に焦点をあて,この研究の展開を簡潔に紹介する。
  論文  参考訳（メタデータ） (2024-12-24T08:13:01Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• ADT-SSL: Adaptive Dual-Threshold for Semi-Supervised Learning [68.53717108812297]
  Semi-Supervised Learning (SSL)は、ラベル付きデータとラベルなしデータを併用してモデルをトレーニングすることで、高度な分類タスクを実現している。 本稿では,半教師付き学習(ADT-SSL)のための適応的デュアル閾値法を提案する。 実験の結果,提案したADT-SSLは最先端の分類精度を実現することがわかった。
  論文  参考訳（メタデータ） (2022-05-21T11:52:08Z)
• 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)

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。