論文の概要: ActiveAugment: Online Active Learning for Augmentation Selection in Deep Learning

• arxiv url: http://arxiv.org/abs/2608.28923v1
• Date: Fri, 28 Aug 2026 22:45:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.786664
• Title: ActiveAugment: Online Active Learning for Augmentation Selection in Deep Learning
• Title（参考訳）: ActiveAugment: ディープラーニングにおける強化選択のためのオンラインアクティブラーニング
• Abstract要約: オンラインのアクティブ学習問題として拡張選択を扱う統合フレームワークであるActiveAugmentを紹介する。 トレーニングのミニバッチ毎に、ActiveAugmentは候補となる拡張ビューのプールを生成し、各候補をスコアする。 自然画像と医用画像にまたがる8つのベンチマークデータセット上でActiveAugmentを評価する。
• 参考スコア（独自算出の注目度）: 0.9668407688201359
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data augmentation is a cornerstone of deep learning pipelines, yet existing strategies treat it as a static, model-agnostic preprocessing step, either relying on expensive dataset-specific policy search or applying transformations uniformly at random, regardless of what the model has already learned. We introduce ActiveAugment, a unified framework that treats augmentation selection as an online active learning problem. For each training minibatch, ActiveAugment generates a pool of candidate augmented views and scores each candidate using a combination of the model's predictive uncertainty and the feature discrepancy induced by the augmentation. The augmentation under which the current model is most fragile is selected per sample, and the model is then trained with a joint supervised classification and supervised contrastive objective that enforces intra-class invariance to the selected augmentations while maintaining inter-class separation. We evaluate ActiveAugment on eight benchmark datasets spanning natural and medical imaging, using CNN and transformer architectures across three training regimes (training from scratch, full fine-tuning, and linear probing), and comparing eight active selection strategies for augmentation scoring. ActiveAugment outperforms AutoAugment, RandAugment, and TrivialAugment under controlled augmentation shifts across all domains and budgets, with the most pronounced gains at low labelling budgets. On medical imaging datasets, where data is scarce and domain shift relative to natural-image pretrained models is large, ActiveAugment achieves higher test F1 than all baselines, demonstrating strong cross-domain adaptability. Our analysis reveals that the augmentation selection policy evolves meaningfully during training and that strategy choice has a direct impact on generalisation. Code is available at: https://github.com/noahvide/ActiveAugment.
• Abstract（参考訳）: データ拡張はディープラーニングパイプラインの基盤だが、既存の戦略では、高価なデータセット固有のポリシー検索に依存するか、モデルがすでに学んだことに関係なく、ランダムに変換を適用するか、静的でモデルに依存しない前処理ステップとして扱う。 オンラインのアクティブな学習問題として拡張選択を扱う統合フレームワークであるActiveAugmentを紹介する。 トレーニングのミニバッチ毎に、ActiveAugmentは候補となる拡張ビューのプールを生成し、モデルの予測の不確実性と拡張によって引き起こされる特徴差の組み合わせを使用して各候補をスコアする。 現在のモデルが最も脆弱なオーグメンテーションをサンプル毎に選択し、そのモデルをクラス間分離を維持しながら、選択されたオーグメンテーションにクラス内不変性を強制する共同教師付き分類と教師付きコントラスト目的で訓練する。 自然画像と医用画像にまたがる8つのベンチマークデータセット上でActiveAugmentを評価し、CNNとトランスフォーマーアーキテクチャを3つのトレーニング体制(スクラッチからトレーニング、フル微調整、線形探索)で使用し、拡張スコアのための8つのアクティブ選択戦略を比較した。 ActiveAugmentはAutoAugment、RandAugment、TrivialAugmentを、すべてのドメインと予算でコントロールされた拡張シフトで上回っている。 医学画像データセットでは、自然画像の事前訓練されたモデルと比較してデータが不足しドメインシフトが大きいため、ActiveAugmentはすべてのベースラインよりも高いテストF1を達成し、強いクロスドメイン適応性を示す。 分析の結果,増強選択政策は訓練中に有意義に進化し,戦略選択が一般化に直接的な影響を与えることが明らかとなった。 コードは、https://github.com/noahvide/ActiveAugment.comで入手できる。

関連論文リスト

• Test-time Offline Reinforcement Learning on Goal-related Experience [50.94457794664909]
  基礎モデルの研究では、テストタイムトレーニングによってパフォーマンスが大幅に改善できることが示されている。 本稿では、オフラインデータセットから現在の状態への関連性に応じて遷移を選択する、新しい自己教師型データ選択基準を提案する。 目標条件付きテストタイムトレーニング(GC-TTT)アルゴリズムは、評価中にこのルーチンを後退水平方式で適用し、現在の軌道にポリシーを適用する。
  論文  参考訳（メタデータ） (2025-07-24T21:11:39Z)
• Class Balance Matters to Active Class-Incremental Learning [61.11786214164405]
  まず、大規模な未ラベルデータのプールから始めて、インクリメンタルな学習のための最も情報に富んだサンプルを注釈付けします。 そこで我々は,クラスバランスと情報提供性を両立させるため,クラスバランス選択(CBS)戦略を提案する。 我々のCBSは、プリトレーニング済みモデルとプロンプトチューニング技術に基づいて、これらのCILメソッドに接続し、再生することができる。
  論文  参考訳（メタデータ） (2024-12-09T16:37:27Z)
• Dynamic feature selection in medical predictive monitoring by reinforcement learning [4.967941028121525]
  多くの既存特徴選択手法は時系列情報を効果的に活用するには不十分である。 我々は、最大限のコスト制約の下でポリシーを最適化するために強化学習を採用する。 我々の手法は、微分不可能な予測モデルとシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-05-30T06:21:11Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• TAAL: Test-time Augmentation for Active Learning in Medical Image Segmentation [7.856339385917824]
  本稿では,セグメンテーションのための半教師付きアクティブラーニング手法であるTAAL(Test-time Augmentation for Active Learning)を提案する。 以上の結果から,TAALは既存のベースライン法よりも,完全教師付きと半教師付きの両方で優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-16T22:19:41Z)
• Adversarial Auto-Augment with Label Preservation: A Representation Learning Principle Guided Approach [95.74102207187545]
  本研究では,事前自由な自律的データ拡張の目的が表現学習の原則から導出可能であることを示す。 そこで我々は,既存の手法にシームレスに最適化し,シームレスに統合できる目的に対して,実用的なサロゲートを提案する。
  論文  参考訳（メタデータ） (2022-11-02T02:02:51Z)
• SelectAugment: Hierarchical Deterministic Sample Selection for Data Augmentation [72.58308581812149]
  そこで我々は,SelectAugmentと呼ばれる効果的な手法を提案し,決定論的かつオンラインに拡張するサンプルを選択する。 具体的には、各バッチにおいて、まず増分比率を決定し、次にこの比で各トレーニングサンプルを増分するかを決定する。 これにより、サンプルを増量する際のランダム性による負の効果を効果的に軽減し、DAの有効性を向上させることができる。
  論文  参考訳（メタデータ） (2021-12-06T08:38:38Z)
• Continual Active Learning Using Pseudo-Domains for Limited Labelling Resources and Changing Acquisition Characteristics [2.6105699925188257]
  臨床ルーチン中の医療画像における機械学習は、スキャナープロトコル、ハードウェア、ポリシーの変更によって損なわれる。 マルチスキャナ環境下で,医療画像のストリーム上で動作する連続的な能動学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T13:11:49Z)
• Active Learning in CNNs via Expected Improvement Maximization [2.0305676256390934]
  また,Dropout-based IMprOvementS (DEIMOS) は,能動的学習に対する柔軟で計算効率のよいアプローチである。 以上の結果から,DIMOSは複数の回帰・分類タスクにおいて,既存のベースラインよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2020-11-27T22:06:52Z)

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。