論文の概要: Learning Materials Properties from Scarce Labels and Unlabeled Crystals

• arxiv url: http://arxiv.org/abs/2608.30682v1
• Date: Mon, 31 Aug 2026 12:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.386011
• Title: Learning Materials Properties from Scarce Labels and Unlabeled Crystals
• Title（参考訳）: スカースラベルと未ラベル結晶からの材料特性の学習
• Authors: Wentao Li, Yizhe Chen, Jiangjie Qiu, Yijun Li, Leyi Zhao, Xiaonan Wang,
• Abstract要約: SemiMatは、半教師付き材料特性回帰のベンチマークである。 MatRankは、継続的擬似ラベルの不確実性に対する信頼性の高い目標である。
• 参考スコア（独自算出の注目度）: 7.59612787411002
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Learning materials properties from scarce labels and unlabeled crystals is a central challenge for data-driven materials discovery. We present SemiMat, a controlled benchmark for semi-supervised materials property regression, and MatRank, a reliability-weighted objective for continuous pseudo-label uncertainty. SemiMat fixes labeled and unlabeled crystal inputs, graph-backbone interfaces, validation-only checkpoint selection, held-out test reporting, normalized MAE (NMAE), and method-rank summaries across six scarce-label tasks, four graph backbones, and five predefined split runs. MatRank builds pseudo-targets from labeled anchors, weights them by local reliability and weak-prediction agreement, trains weak and strong graph views consistently, and adds ranking signals so that unlabeled crystals shape both values and candidate order. Across the retained 24 backbone-task blocks, one fixed MatRank objective gives the lowest aggregate held-out test NMAE (0.896) and best average method rank (2.208). The component, OOD, and generated-pool diagnostics identify where the gain is reliable and where further screening evaluation remains necessary. Code is available at https://github.com/littlepeachs/SemiMat.
• Abstract（参考訳）: 希少なラベルや未ラベルの結晶から材料特性を学ぶことは、データ駆動材料発見における中心的な課題である。 半教師付き材料特性回帰の制御ベンチマークであるSemiMatと、連続的な擬似ラベルの不確実性に対する信頼性重み付け対象であるMatRankを提案する。 SemiMatはラベル付きおよびラベルなしの結晶入力、グラフバックボーンインターフェース、バリデーションのみのチェックポイント選択、ホールドアウトテストレポート、正規化MAE(NMAE)、および6つの不足ラベルタスク、4つのグラフバックボーン、5つの事前定義された分割実行を修正した。 MatRankはラベル付きアンカーから擬似ターゲットを構築し、それらを局所的な信頼性と弱い予測契約によって重み付け、弱いグラフビューと強いグラフビューを継続的に訓練し、ラベルなし結晶が値と候補順の両方を形作るようにランク付け信号を追加する。 保持された24個のバックボーンタスクブロック全体で、1つの固定されたMatRankの目的は、最小のアグリゲートホールトアウトテスト NMAE (0.896) と最高平均メソッドランク (2.208) を与える。 コンポーネント、OOD、および生成されたプール診断は、利得が信頼できる場所と、さらなるスクリーニング評価が必要な場所を特定する。 コードはhttps://github.com/littlepeachs/SemiMat.comで入手できる。

関連論文リスト

• A Data-Centric Framework for Detecting and Correcting Corrupted Labels [3.5676169270901283]
  Relabelerは、破損したラベルを検出し修正するためのエンドツーエンドのデータ中心フレームワークである。 実験によると、Relabelerは最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-10T06:23:35Z)
• Feature-Label Modal Alignment for Robust Partial Multi-Label Learning [66.1611192892514]
  特徴ラベルアライメント(PML-MA)に基づく新しいPML手法を提案する。 PML-MAは特徴とラベルを2つの相補的なモダリティとして扱い、体系的なアライメントを通じて一貫性を回復する。 実世界のデータセットと合成データセットの両方の実験では、PML-MAが最先端の手法を大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-04-10T07:44:46Z)
• 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)
• CLID-MU: Cross-Layer Information Divergence Based Meta Update Strategy for Learning with Noisy Labels [5.902281427799682]
  クリーンなラベル付きデータセットに頼ることなく、ノイズの多いラベルシナリオのメタ学習に取り組む。 我々は多層情報分散型メタ更新戦略(CLID-MU)を設計する。 CLID-MUが最先端の手法より優れていることを示すのは、合成ノイズと実世界のノイズの両方の下で様々なラベルを持つベンチマークデータセットの実験である。
  論文  参考訳（メタデータ） (2025-07-16T00:03:07Z)
• Building Blocks for Robust and Effective Semi-Supervised Real-World Object Detection [1.188383832081829]
  擬似ラベルに基づく半教師付きオブジェクト検出(SSOD)は、大規模ラベル付きデータセットへの依存を著しく低減する。 しかし、SSODの現実世界の応用は、クラス不均衡、ラベルノイズ、ラベルエラーなど、しばしば重大な課題に直面している。 実世界の条件下でのSSODの詳細な分析を行い, ラベルの品質と量とのトレードオフと, 準最適擬似ラベル化の原因を明らかにする。
  論文  参考訳（メタデータ） (2025-03-24T17:15:24Z)
• Is margin all you need? An extensive empirical study of active learning on tabular data [66.18464006872345]
  我々は,OpenML-CC18ベンチマークを用いて,69の実世界のデータセット上での各種能動学習アルゴリズムの性能を解析した。 意外なことに、古典的なマージンサンプリング技術は、現在の最先端技術を含む、他のすべてのものよりも優れている。
  論文  参考訳（メタデータ） (2022-10-07T21:18:24Z)
• Label Noise-Resistant Mean Teaching for Weakly Supervised Fake News Detection [93.6222609806278]
  本稿では,弱い教師付き偽ニュース検出のためのラベル雑音耐性平均教育手法 (LNMT) を提案する。 LNMTは、未ラベルのニュースとユーザのフィードバックコメントを活用して、トレーニングデータの量を増やす。 LNMTはラベル伝搬とラベル信頼性推定を備えた平均教師フレームワークを確立する。
  論文  参考訳（メタデータ） (2022-06-10T16:01:58Z)
• Boosting Semi-Supervised Face Recognition with Noise Robustness [54.342992887966616]
  本稿では,自動ラベルによるラベル雑音に対して頑健な半教師付き顔認識に対する効果的な解法を提案する。 そこで我々は,gnが強化するロバストな学習能力に基づく,ノイズロバスト学習ラベリング(nroll)という,半教師付き顔認識ソリューションを開発した。
  論文  参考訳（メタデータ） (2021-05-10T14:43:11Z)

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。