論文の概要: Position: Unlabeled IS NOT Equal to No Human Supervision in Visual Learning

• arxiv url: http://arxiv.org/abs/2609.03077v1
• Date: Wed, 02 Sep 2026 18:45:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.838153
• Title: Position: Unlabeled IS NOT Equal to No Human Supervision in Visual Learning
• Title（参考訳）: ポジション:未ラベルのIS NOは視覚学習における人間の監督に等しくない
• Abstract要約: ラベルの欠如は視覚学習における人間の監督の欠如を示唆するものではない。 我々は,研究コミュニティに対して,より明確な監督源を特定するよう促す。
• 参考スコア（独自算出の注目度）: 7.640816472270914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This position paper argues that the absence of labels does not imply the absence of human supervision in visual learning, and urges the research community to identify sources of supervision more explicitly. Many recent methods in computer vision build upon representations learned from large-scale unlabeled data, and are therefore grouped under the same umbrella term ``unsupervised.'' However, different data curation schemes and training objectives embed substantially different human priors on which models rely, and we argue that one ``unsupervised'' umbrella term is no longer capturing these distinctions. This ambiguity makes it harder to compare unsupervised learning research conducted under different assumptions, coinciding with a sharp decline in papers titled with ``unsupervised'' in flagship computer vision conferences since 2021, despite continued growth of the field. While we fully embrace pre-training as a strong foundation for modern computer vision, we advocate for a community-level effort toward greater conceptual clarity: authors are encouraged to disclose priors in data selection and learning objectives, and to specify which components of a learning pipeline depend on which assumptions. Standardized disclosure practices can improve academic communication, ensure fairer comparisons, and preserve methodological diversity in unsupervised learning.
• Abstract（参考訳）: 本稿では,ラベルの欠如が視覚学習における人間の監督の欠如を示唆するものではなく,研究コミュニティに対して,より明確な監督源の特定を促している。 コンピュータビジョンにおける近年の多くの手法は、大規模な未ラベルデータから学習した表現に基づいて構築されており、それゆえ、'`unsupervised'という傘の用語でグループ化されている。 しかし、異なるデータキュレーションのスキームやトレーニングの目的には、モデルが依存する人的優先事項が組み込まれており、我々は「教師なし」の傘用語がもはやこれらの区別を捉えていないと論じている。 この曖昧さは、異なる前提の下で実施された教師なしの学習研究を比較するのを難しくし、2021年以降のフラッグシップコンピュータビジョン会議において「教師なし」と題された論文の急激な減少と一致する。 我々は、現代のコンピュータビジョンの強力な基盤として事前学習を完全に受け入れているが、我々は、より概念的明確性へのコミュニティレベルの取り組みを提唱する: 著者は、データ選択と学習目標の事前を開示し、学習パイプラインのどのコンポーネントがどの仮定に依存するかを特定することを奨励されている。 標準化された開示プラクティスは、学術的なコミュニケーションを改善し、より公平な比較を確保し、教師なし学習における方法論的な多様性を維持する。

関連論文リスト

• A review of Recent Techniques for Person Re-Identification [0.05833117322405446]
  監視における重要なタスクである人物の再識別は、異なるカメラビューで個人をマッチングする。 教師付きアプローチの成功は、大量の注釈付きデータに依存し、データラベリングと計算コストにおいてスケーラビリティ上の課題を提起する。 近年、教師なしの人物再識別に移行している。豊富なラベル付きデータを活用し、教師なしの手法は、ペアラベル付きデータの必要性を克服することを目的としている。
  論文  参考訳（メタデータ） (2025-09-19T13:47:57Z)
• Towards Unsupervised Representation Learning: Learning, Evaluating and Transferring Visual Representations [1.8130068086063336]
  我々は3つの視点から教師なし(視覚的)表現学習の分野に貢献する。 我々は、教師なし、バックプロパゲーションのない畳み込み自己組織型ニューラルネットワーク(CSNN)を設計する。 我々は、プリテキストとターゲットオブジェクトに依存しないメトリクスを定義するために、広く使われている(非)線形評価プロトコルの上に構築する。 CARLANEは,2次元車線検出のための最初の3方向sim-to-realドメイン適応ベンチマークであり,自己教師付き学習に基づく手法である。
  論文  参考訳（メタデータ） (2023-11-30T15:57:55Z)
• Conservative-Progressive Collaborative Learning for Semi-supervised Semantic Segmentation [50.51992191965432]
  本稿では,2つの予測ネットワークを並列に学習するCPCL(Reserve-Progressive Collaborative Learning)という新しい学習手法を提案する。 あるネットワークは、交差点の監督を通じて共通の基盤を求め、より信頼性の高い監督を保証するために、高品質なラベルによって監督されている。 他のネットワークは組合の監督を通じて違いを保ち、すべての擬似ラベルによって監督され、好奇心を追求し続ける。
  論文  参考訳（メタデータ） (2022-11-30T02:47:25Z)
• Recent Advancements in Self-Supervised Paradigms for Visual Feature Representation [0.41436032949434404]
  教師付き学習は、最先端のパフォーマンスに到達するために大量のラベル付きデータを必要とする。 ラベル付けのコストを回避するため,ラベル付けされていないデータを利用する自己管理手法が提案された。 本研究は,特徴表現のための自己監督パラダイムにおける近年の展開に関する包括的で洞察に富んだ調査と分析を行う。
  論文  参考訳（メタデータ） (2021-11-03T07:02:34Z)
• Understand and Improve Contrastive Learning Methods for Visual Representation: A Review [1.4650545418986058]
  手動ラベリングなしで効果的なデータ表現を学習できる可能性から、有望な自己教師型学習が人気を集めている。 本文献レビューは, 自己指導型学習の鍵となる構成要素と限界を理解するための研究者の取り組みについて, 最新の分析を行うことを目的としている。
  論文  参考訳（メタデータ） (2021-06-06T21:59:49Z)
• Can Semantic Labels Assist Self-Supervised Visual Representation Learning? [194.1681088693248]
  近隣環境におけるコントラスト調整(SCAN)という新しいアルゴリズムを提案する。 一連のダウンストリームタスクにおいて、SCANは従来の完全教師付きおよび自己教師付きメソッドよりも優れたパフォーマンスを達成する。 本研究は, セマンティックラベルが自己指導的手法の補助に有用であることを明らかにする。
  論文  参考訳（メタデータ） (2020-11-17T13:25:00Z)
• A Sober Look at the Unsupervised Learning of Disentangled Representations and their Evaluation [63.042651834453544]
  モデルとデータの両方に帰納的バイアスを伴わずに,非教師なしの非教師付き表現学習は不可能であることを示す。 異なる手法は、対応する損失によって「強化」された特性を効果的に強制するが、よく見分けられたモデルは監督なしでは特定できないように見える。 以上の結果から,遠絡学習における今後の研究は,帰納的バイアスと(単純に)監督の役割を明確化すべきであることが示唆された。
  論文  参考訳（メタデータ） (2020-10-27T10:17:15Z)
• Fully Unsupervised Person Re-identification viaSelective Contrastive Learning [58.5284246878277]
  人物再識別(ReID)は、様々なカメラが捉えた画像の中から同一人物を検索することを目的としている。 教師なし特徴学習のための新しい選択型コントラスト学習フレームワークを提案する。 その結果,教師なしのReIDにおける手法の優位性について,最先端技術と比較した。
  論文  参考訳（メタデータ） (2020-10-15T09:09:23Z)
• A Commentary on the Unsupervised Learning of Disentangled Representations [63.042651834453544]
  不整合表現の教師なし学習の目標は、データの変化の独立した説明的要因を、監督にアクセスできることなく分離することである。 本稿では,非教師なしの非教師付き表現の学習が帰納的バイアスなしでは基本的に不可能であることを示す理論的結果について議論する。
  論文  参考訳（メタデータ） (2020-07-28T13:13:45Z)
• Self-supervised Learning from a Multi-view Perspective [121.63655399591681]
  自己教師型表現はタスク関連情報を抽出し,タスク関連情報を破棄することができることを示す。 我々の理論的枠組みは、自己教師型学習目標設計のより広い空間への道を開くものである。
  論文  参考訳（メタデータ） (2020-06-10T00:21:35Z)

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。