論文の概要: Selective Posterior Margin Regularization for Forward-Corrected Classification
- arxiv url: http://arxiv.org/abs/2609.05859v1
- Date: Sat, 05 Sep 2026 03:37:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.146942
- Title: Selective Posterior Margin Regularization for Forward-Corrected Classification
- Title（参考訳）: 前向き補正分類のための選択的後縁正則化法
- Abstract要約: 前方修正は、潜在クリーンクラスから観測されたアノテーションへの移行を、潜在的に埋め込む。
本稿では,前向きの目的を保ったSPMR(Selective Posterior Margin Regularization)を紹介する。
SPMRはフルタイムのフォワードを2.5-7.0ポイント改善し、Mixupと早期停止でフォワードの0.7-2.5ポイントを維持している。
- 参考スコア（独自算出の注目度）: 5.8331781561663645
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning with class-conditional label noise often relies on a transition model from latent clean classes to observed annotations. Forward correction embeds this transition in the likelihood, yet finite-sample networks may still memorize corrupted labels. The corrected likelihood also induces a reverse posterior over the clean classes that could explain each annotation. When its leading class differs from the annotation, the model and transition matrix provide evidence against that annotation, but the leading alternatives can remain nearly tied. We introduce Selective Posterior Margin Regularization (SPMR), which preserves the Forward objective and converts this disagreement into a graded update on the clean classifier. SPMR selects the leading reverse-posterior class, scales a detached pairwise margin by the separation between the two leading posterior classes, and assigns correspondingly little influence to diffuse conflicts. The gap factorizes into transition- adjusted pairwise separation and the posterior mass carried by the leading pair. The active margin follows the locally minimum-norm logit direction that enlarges the selected pairwise margin. Across five known-transition benchmarks, SPMR improves full-length Forward by 2.5-7.0 percentage points and remains 0.7-2.5 percentage points above Forward with Mixup and early stopping. Matched interventions support distinct gains from the posterior-space coefficient, transition-adjusted target, and pairwise action. The same design transfers to estimated transitions, human annotations, architectural changes, and stronger Forward recipes. The formulation uses latent-class evidence already available inside Forward correction without promoting every posterior conflict to a corrected label.
- Abstract（参考訳）: クラス条件付きラベルノイズで学ぶことは、しばしば潜在クリーンクラスから観察されたアノテーションへの遷移モデルに依存する。
前方修正は、この遷移を潜在的に埋め込むが、有限サンプルネットワークは、いまだに破損したラベルを記憶している可能性がある。
修正された可能性はまた、各アノテーションを説明することができるクリーンなクラスに対する逆の後方も引き起こす。
その主要なクラスがアノテーションと異なる場合、モデルと遷移行列はそのアノテーションに対して証拠を提供するが、主要な代替手段はほぼ結びついている。
Selective Posterior Margin Regularization (SPMR)を導入し、前向きの目的を保存し、この不一致をクリーン分類器のグレード更新に変換する。
SPMRは、先行する逆後続クラスを選択し、2つの先行する後続クラスを分離することで、分離されたペアワイズマージンを拡大し、拡散する衝突にそれに対応する影響をほとんど与えない。
ギャップは、遷移調整されたペアワイズ分離と、リードペアによって運ばれる後部質量とに分解される。
アクティブマージンは、選択されたペアワイドマージンを拡大する局所最小ノルムロジット方向に従う。
5つの既知の移行ベンチマークで、SPMRはフル長のフォワードを2.5-7.0ポイント改善し、Mixupと早期停止でフォワードを0.7-2.5ポイント上回っている。
一致した介入は、後続空間係数、遷移調整ターゲット、対作用からの利得をそれぞれ支持する。
同じ設計は、推定されるトランジション、人間のアノテーション、アーキテクチャの変更、より強力なフォワードレシピに移行する。
この定式化は、後続のコンフリクトを修正ラベルに昇格させることなく、既にフォワード修正の内側で利用可能な潜在クラスのエビデンスを使用する。
関連論文リスト
- One Step, One Lead: Mitigating Higher-Order Interference in Multi-Domain Reinforcement Learning via Cross-Step Control [62.82372407840088]
同点領域勾配は、連続的な更新が出力空間で部分的に逆転する場合においても、ほぼ一定であることを示す。
トークンレベルのリバウンドリスクをランク付けするために,各イテレーションでフォーカスドメインを指定するOSOLを提案する。
OSOLは0.4822のドメイン-マクロ平均に達し、最強の比較ベースラインよりも5.7%向上した。
論文 参考訳（メタデータ） (2026-09-06T08:32:59Z) - CARD: Calibration via Agreement in Reverse Diffusion for Out-of-Domain MRI Segmentation [14.844162865265673]
そこで我々は,不一致の時間的集合を全クラスにわたって1ピクセルあたりの温度場にマッピングし,セグメント化ができない間に信頼度が変化するようにCARDを提案する。
心臓、前立腺、脳のMRIシフトによって、CARDは各設定において最強のベースラインと比較した場合、49の45のキャリブレーション誤差を低下させる。
論文 参考訳（メタデータ） (2026-08-26T07:23:08Z) - Shift-Dependent Asymmetry: Orthogonal Inverse Low-Rank Adaptation for Federated Medical Segmentation [60.41721951405564]
Low-Rank Adaptation (LoRA)は、医療画像のためのセグメンテーション基盤モデルの効率的なフェデレーション微調整を可能にする。
ほとんどの連合LoRA法は、医学的セグメンテーションにおいてエンコーダ-デコーダ非対称性の下で破れる一様アグリゲーション規則を採用している。
このミスマッチの絡み合いは、サイト固有のバイアスと解剖を共有し、一般化を損なう。
本稿では,効率的な更新空間における共有局所コリニアリティを罰する部分空間直交正規化器を提案する。
論文 参考訳（メタデータ） (2026-06-07T15:39:28Z) - A Doeblin-Anchored Contrastive Chart for Learning Markov Transition Kernels [1.2691047660244335]
本稿では,トランジションカーネルを対照的な目的から学習するための統計的・動的座標フレームワークを提案する。
固定された相対的リスクは、固定された遷移密度を識別し、過剰なリスクを密度誤差に校正することを証明する。
論文 参考訳（メタデータ） (2026-06-01T13:26:44Z) - Where Does Reasoning Break? Step-Level Hallucination Detection via Hidden-State Transport Geometry [3.2848713528308817]
大規模言語モデルは多段階の推論で幻覚するが、既存の検出器のほとんどはトレースレベルで動作する。
我々はこのビューをラベル付き教師で運用し、トレース固有のコントラスト型PCAレンズを構築する。
コントラストPCAが第1次誤差と正しい状態の移動分離目標の最適投影であることを示す。
論文 参考訳（メタデータ） (2026-05-13T16:48:48Z) - Beyond Logit Adjustment: A Residual Decomposition Framework for Long-Tailed Reranking [3.165340675929986]
縮小安定化されたクラスワイド項と、ショートリスト上の競合機能によって駆動される線形ペアワイド項を結合した軽量なポストホックリランカを開発する。
画像分類、種別認識、シーン認識、希少な疾患の診断を含む5つのベンチマークの実験では、分解によってペアワイズ補正がどこに役立ち、クラスワイズ補正だけで十分かを説明できる。
論文 参考訳（メタデータ） (2026-04-02T00:34:12Z) - Geometric-Disentangelment Unlearning [106.99160454669902]
忘れたサンプルへの勾配は しばしば 保持された知識を傷つける
本稿では,GU(Geometric-disment Unlearning)を提案する。
本手法はプラグ・アンド・プレイであり,既存の勾配に基づくアンラーニング手法と併用することで副作用を軽減できる。
論文 参考訳（メタデータ） (2025-11-21T09:58:25Z) - Benign Overfitting and the Geometry of the Ridge Regression Solution in Binary Classification [75.01389991485098]
リッジ回帰はクラスタ平均ベクトルのスケールによって定性的に異なる挙動を示す。
スケールが非常に大きいレジームでは、良心過剰を許容する条件は回帰タスクと同一であることが判明した。
論文 参考訳（メタデータ） (2025-03-11T01:45:42Z) - FedGA: Federated Learning with Gradient Alignment for Error Asymmetry Mitigation [5.3663750040721085]
フェデレートラーニング(FL)は、クライアント内およびクライアント間クラス不均衡を引き起こす。
我々は、FedGAと呼ばれる勾配アライメント(GA)インフォームドFL法を提案する。
論文 参考訳（メタデータ） (2024-12-21T11:15:20Z) - Semi-Supervised Learning with Variational Bayesian Inference and Maximum
Uncertainty Regularization [62.21716612888669]
半教師付き学習(SSL)を改善するための2つの一般的な方法を提案する。
第一に、重量摂動(WP)を既存のCR(Consistency regularization)ベースの手法に統合する。
第2の手法は「最大不確実性正規化(MUR)」と呼ばれる新しい整合性損失を提案する。
論文 参考訳（メタデータ） (2020-12-03T09:49:35Z) - Dual T: Reducing Estimation Error for Transition Matrix in Label-noise
Learning [157.2709657207203]
遷移行列を推定する既存の方法は、ノイズのあるクラス後部を推定することに大きく依存している。
雑音のクラス後部を直接推定するのを避けるために中間クラスを導入する。
この中間クラスにより、元の遷移行列は2つの容易に推定できる遷移行列の積に分解できる。
論文 参考訳（メタデータ） (2020-06-14T05:48:20Z)
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。