論文の概要: Geometric Regularization for Long-Tailed Semi-Supervised Learning via Gaussian Feature Bridges
- arxiv url: http://arxiv.org/abs/2608.20710v1
- Date: Fri, 21 Aug 2026 03:31:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.358311
- Title: Geometric Regularization for Long-Tailed Semi-Supervised Learning via Gaussian Feature Bridges
- Title（参考訳）: ガウス特徴橋による長期半教師付き学習のための幾何学的正規化
- Abstract要約: 実世界の半教師付き学習(SSL)は、長い尾のラベルの分布とノイズの多い擬似ラベルで大きな問題に遭遇することが多い。
これらの課題に対処するために,新しい枠組みであるガウス橋整合性(GBC)を導入する。
本手法では,クラスごとのラベル付きおよび擬似ラベル付き例の多様かつ進化的な集合を格納する動的プロトタイプAtlasを維持している。
- 参考スコア（独自算出の注目度）: 38.439356343737806
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world semi-supervised learning (SSL) often encounters significant challenges with long-tailed label distributions and noisy pseudo-labels, which hinder generalization and amplify confirmation bias. In this work, we introduce a novel framework, Gaussian Bridge Consistency (GBC), to address these challenges by constructing semantic interpolation paths between unlabeled samples and high-quality class anchors. Our method maintains a dynamic Prototype Atlas that stores a diverse and evolving set of labeled and pseudo-labeled exemplars per class. For each unlabeled instance, GBC forms a class-conditional Gaussian Feature Bridge in the latent space, enabling the student model to traverse a smooth trajectory from uncertain predictions to reliable class prototypes. A bridge consistency loss is applied along this path to enforce alignment with a geometrically interpolated target distribution. Furthermore, we propose BridgeMix, a confidence-aware feature mixing strategy that interpolates both sample and anchor pairs to amplify cross-sample generalization. Extensive experiments on CIFAR10-LT and ImageNet-LT (USB benchmarks) validate the robustness and effectiveness of GBC under realistic long-tailed SSL settings, consistently improving long tail-class performance without sacrificing scalability.
- Abstract（参考訳）: 実世界の半教師付き学習(SSL)は、しばしば長い尾のラベルの分布とノイズのある擬似ラベルによる重大な課題に遭遇し、一般化を妨げ、確認バイアスを増幅する。
本研究では,未ラベルのサンプルと高品質なクラスアンカー間の意味的補間パスを構築することで,これらの課題に対処する新しいフレームワークであるガウス橋整合性(GBC)を導入する。
本手法では,クラスごとのラベル付きおよび擬似ラベル付き例の多様かつ進化的な集合を格納する動的プロトタイプAtlasを維持している。
ラベル付けされていない各インスタンスに対して、GBCはクラス条件のガウス特徴ブリッジを潜在空間に形成し、学生モデルは不確実な予測から信頼できるクラスのプロトタイプへ滑らかな軌道をたどることができる。
この経路に沿って橋梁の整合性損失を適用し、幾何学的に補間された目標分布とアライメントを強制する。
さらに、サンプルとアンカーのペアを補間し、クロスサンプルの一般化を増幅する信頼性を考慮した機能混合戦略であるBridgeMixを提案する。
CIFAR10-LTとImageNet-LT(USBベンチマーク)の大規模な実験は、GBCの現実的な長尾SSL設定下での堅牢性と有効性を検証し、スケーラビリティを犠牲にすることなく長いテールクラスのパフォーマンスを継続的に改善した。
関連論文リスト
- Embracing Biased Transition Matrices for Complementary-Label Learning with Many Classes [52.84921213617238]
補完ラベル学習(Complementary-label Learning, CLL)は、インスタンスに属さないクラスをラベル付けする、弱い教師付きパラダイムである。
本稿では,データ収集からトレーニングまでの原則的フレームワークであるBias-induced Constrained Labeling (BICL)を提案する。
BICLはCIFAR-100とTinyImageNet-200で効果的な学習を可能にし、従来の手法よりも7倍以上の精度向上を実現している。
論文 参考訳（メタデータ） (2026-05-15T03:49:04Z) - JEPAMatch: Geometric Representation Shaping for Semi-Supervised Learning [3.7931928645127986]
本稿では、FlexMatchで使用される古典的半教師付き損失と、LeJEPAから派生した潜在空間正規化項を組み合わせた新たなトレーニング目標を提案する。
提案手法は、擬似ラベル戦略の利点を保ちながら、よく構造化された表現を奨励する。
論文 参考訳（メタデータ） (2026-04-22T19:44:41Z) - Semantic-Aligned Learning with Collaborative Refinement for Unsupervised VI-ReID [82.12123628480371]
教師なしの人物再識別(USL-VI-ReID)は、モデル学習のための人間のアノテーションを使わずに、同じ人物の歩行者像を異なるモードでマッチングすることを目指している。
従来の手法では、ラベルアソシエーションアルゴリズムを用いて異質な画像の擬似ラベルを統一し、グローバルな特徴学習のためのコントラスト学習フレームワークを設計していた。
本稿では,各モダリティによって強調される特定のきめ細かいパターンを対象とするSALCR(Semantic-Aligned Learning with Collaborative Refinement)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-27T13:58:12Z) - BoundMatch: Boundary detection applied to semi-supervised segmentation [12.8995997687175]
半教師付きセマンティックセマンティックセグメンテーション(SS-SS)は,多彩なラベル付き画像を活用することで,高密度画素ラベリングの重いアノテーション負担を軽減することを目的としている。
本稿では,意味境界検出を教師と学生の整合性正規化パイプラインに明示的に統合する,新しいマルチタスクSS-SSフレームワークであるBoundMatchを提案する。
境界一貫性規則化マルチタスク学習(Bundary Consistency Regularized Multi-Task Learning)は,セグメンテーションマスクと詳細なセグメンテーション境界において,教師と生徒のモデル間の予測合意を強制する。
論文 参考訳（メタデータ） (2025-03-30T17:02:26Z) - CGMatch: A Different Perspective of Semi-supervised Learning [20.03126368452921]
ラベル付きデータを利用したセミ教師付き学習(SSL)が注目されている。
既存の手法はモデルの状態を正確に評価するためにモデルの信頼性にのみ依存している、と我々は主張する。
我々はCGMatchと呼ばれる新しいSSLモデルを提案し、これが初めてCount-Gapと呼ばれる新しいメトリックを組み込んだ。
論文 参考訳（メタデータ） (2025-03-04T03:14:15Z) - Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。
本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。
我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
論文 参考訳（メタデータ） (2024-10-08T15:06:10Z) - Towards Realistic Long-tailed Semi-supervised Learning in an Open World [0.0]
我々は、既知のカテゴリと新規カテゴリの分布関係を前提としない、よりエフェリアティックなオープンワールドLong-tailed Semi-supervised Learning(textbfROLSSL)を構築する。
提案したROOSSL設定では、二重ステージロジット調整と呼ばれる、シンプルで効果的な解を提案する。
CIFAR100やImageNet100のようなデータセットの実験では、最大50.1%のパフォーマンス改善が示されている。
論文 参考訳（メタデータ） (2024-05-23T12:53:50Z) - Towards Continual Learning Desiderata via HSIC-Bottleneck
Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。
提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文 参考訳（メタデータ） (2024-01-17T09:01:29Z) - SemiReward: A General Reward Model for Semi-supervised Learning [58.47299780978101]
半教師付き学習(SSL)は、擬似ラベリングによる自己学習フレームワークの様々な改善により、大きな進歩をみせた。
主な課題は、高品質な擬似ラベルを確認バイアスと区別する方法である。
本稿では、報酬スコアを予測して高品質な擬似ラベルを評価・フィルタリングするセミ教師付きリワードフレームワーク(SemiReward)を提案する。
論文 参考訳（メタデータ） (2023-10-04T17:56:41Z) - Adaptive Consistency Regularization for Semi-Supervised Transfer
Learning [31.66745229673066]
我々は,半教師付き学習と移動学習を共同で検討し,より実践的で競争的なパラダイムへと導いた。
事前学習した重みとラベルなしの目標サンプルの両方の価値をよりよく活用するために、適応整合正則化を導入する。
提案手法は,Pseudo Label,Mean Teacher,MixMatchといった,最先端の半教師付き学習技術より優れた適応整合性正規化を実現する。
論文 参考訳（メタデータ） (2021-03-03T05:46:39Z)
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。