論文の概要: A Comparative Study of Label-free Representation Quality Metrics in Deep Learning

• arxiv url: http://arxiv.org/abs/2608.23182v1
• Date: Mon, 24 Aug 2026 12:31:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.05511
• Title: A Comparative Study of Label-free Representation Quality Metrics in Deep Learning
• Title（参考訳）: ディープラーニングにおけるラベルなし表現品質尺度の比較検討
• Abstract要約: 既存のラベルフリーメトリクスを,その構成に基づいて3つのファミリーに分類する。 次に、制御された合成実験を通してスペクトル測定値の感度を特徴付ける。 すべてのラベルなしメトリクスは、様々な260の視覚モデルからなる下流タスクの精度に対して評価される。
• 参考スコア（独自算出の注目度）: 1.3572917264310116
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a comparative study of label-free metrics for assessing the quality of representations in deep neural networks to understand their reliability under a wide variety of configurations. We group existing label-free metrics into three families based on their construction and analytically establish connections between metrics within the same family. We then characterise the sensitivity of spectral metrics through controlled synthetic experiments. Finally, all label-free metrics are evaluated against downstream task accuracy across a diverse set of 260 vision models on six datasets spanning generic object classification, fine-grained object classification, scene recognition and geospatial task, stratifying results by architecture class and training objective. We find that intrinsic dimensionality (ID) is the most reliable predictor among the metrics considered. However, the reliability of all metrics, including ID, is moderated by architecture class and training objective. Our results provide a clearer understanding of what label-free representation quality metrics measure, when they are reliable, and how to interpret them in practice.
• Abstract（参考訳）: 本稿では、ディープニューラルネットワークにおける表現の質を評価するためのラベルなしメトリクスの比較研究を行い、その信頼性を多種多様な構成で理解する。 既存のラベルなしメトリクスをその構成に基づいて3つのファミリーに分類し、同じファミリー内のメトリクス間の関係を解析的に確立する。 次に、制御された合成実験を通してスペクトル測定値の感度を特徴付ける。 最後に、すべてのラベルフリーメトリクスは、汎用オブジェクト分類、きめ細かいオブジェクト分類、シーン認識と地理空間的タスク、アーキテクチャクラスによる結果の階層化、トレーニング目標を含む6つのデータセット上の260のビジョンモデルの多様なセットに対して、ダウンストリームタスクの精度に対して評価される。 内在的次元性(ID)が,検討対象の指標の中で最も信頼性の高い予測因子であることが判明した。 しかし、IDを含むすべてのメトリクスの信頼性は、アーキテクチャクラスとトレーニング目標によって緩和される。 この結果から,ラベルのない表現品質指標の精度,信頼度,実際の解釈方法についての理解を深めることができた。

関連論文リスト

• KGCQual: An Interpretable Framework for Evaluating the Knowledge Graph Construction Quality from Text [6.373904244962351]
  本稿では,本質的な知識グラフ品質評価のための新しい解釈可能な指標を提案する。 自動的に抽出されたグラフがいかに「理想」グラフに近似するかを測定する。 複数の最先端の3重抽出システムとデータセットで測定値を評価する。
  論文  参考訳（メタデータ） (2026-07-11T08:45:15Z)
• Do Metrics for Counterfactual Explanations Align with User Perception? [3.919854840656461]
  アルゴリズムによる評価指標と人間による説明品質判定を比較した。 その結果,アルゴリズムの指標と人間の評価の相関は一般的に弱く,データセットに依存していることがわかった。 提案手法は, 利用者が認識する説明品質の重要な側面を反映していないことが示唆された。
  論文  参考訳（メタデータ） (2026-03-16T17:56:54Z)
• Beyond Surrogates: A Quantitative Analysis for Inter-Metric Relationships [91.61796429377041]
  本稿では,メトリクス間の関係を定量化する統合理論フレームワークを提案する。 我々はメトリクスを異なるクラスに分類し、異なる数学的形態の比較分析を容易にする。 我々は,オンラインの目的とオフラインの改善を理論的に一致させることが保証される評価システムの設計を可能にするため,後悔の伝達における構造的非対称性の同定に関する新たな視点を提供する。
  論文  参考訳（メタデータ） (2026-03-08T15:08:06Z)
• Learning Unified Distance Metric for Heterogeneous Attribute Data Clustering [60.05209293008078]
  クラスタ分析のための異種属性再構成と表現(HARR)学習パラダイム HarR はパラメータフリーで収束保証され、異なる要求されたクラスタ数 $k$ に対してより効果的に自己適応することができる。
  論文  参考訳（メタデータ） (2026-03-03T08:13:16Z)
• Categorical Data Clustering via Value Order Estimated Distance Metric Learning [53.28598689867732]
  本稿では,分類属性を直感的に表現する新しい順序距離計量学習手法を提案する。 新しい共同学習パラダイムが開発され、クラスタリングとオーダー距離メートル法学習の代替となる。 提案手法は分類および混合データセットのクラスタリング精度に優れる。
  論文  参考訳（メタデータ） (2024-11-19T08:23:25Z)
• A Novel Metric for Measuring Data Quality in Classification Applications (extended version) [0.0]
  データ品質を測定するための新しい指標を紹介し説明する。 この尺度は、分類性能とデータの劣化の相関した進化に基づいている。 各基準の解釈と評価レベルの例を提供する。
  論文  参考訳（メタデータ） (2023-12-13T11:20:09Z)
• Enriching Disentanglement: From Logical Definitions to Quantitative Metrics [59.12308034729482]
  複雑なデータにおける説明的要素を遠ざけることは、データ効率の表現学習にとって有望なアプローチである。 論理的定義と量的指標の関連性を確立し, 理論的に根ざした絡み合いの指標を導出する。 本研究では,非交叉表現の異なる側面を分離することにより,提案手法の有効性を実証的に実証する。
  論文  参考訳（メタデータ） (2023-05-19T08:22:23Z)
• On the Intrinsic and Extrinsic Fairness Evaluation Metrics for Contextualized Language Representations [74.70957445600936]
  様々な自然言語処理タスクの公平度を測定するために、複数のメトリクスが導入された。 これらの指標は,(1)下流アプリケーションにおけるフェアネスを評価する遠因性指標と,(2)上流言語表現モデルにおけるフェアネスを推定する遠因性指標の2つのカテゴリに大別することができる。
  論文  参考訳（メタデータ） (2022-03-25T22:17:43Z)
• Self-Supervised Metric Learning in Multi-View Data: A Downstream Task Perspective [2.01243755755303]
  マルチビューデータの文脈において,自己教師付きメトリック学習が下流タスクにどのような効果をもたらすかを検討する。 本稿では, 下流タスクにおいて, 目標距離がいくつかの望ましい特性を満たすことを示す。 本分析では,4つの下流タスクにおいて,自己教師付きメトリック学習による改善を特徴付ける。
  論文  参考訳（メタデータ） (2021-06-14T02:34:33Z)
• GO FIGURE: A Meta Evaluation of Factuality in Summarization [131.1087461486504]
  本稿では,現実性評価指標を評価するメタ評価フレームワークGO FIGUREを紹介する。 10個の実測値のベンチマーク分析により、我々のフレームワークが堅牢で効率的な評価を提供することが明らかとなった。 また、QAメトリクスは、ドメイン間の事実性を測定する標準的なメトリクスよりも一般的に改善されているが、パフォーマンスは、質問を生成する方法に大きく依存していることも明らかにしている。
  論文  参考訳（メタデータ） (2020-10-24T08:30:20Z)

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。