論文の概要: Semi-Supervised Learning under Spatially Biased Sampling
- arxiv url: http://arxiv.org/abs/2609.07982v1
- Date: Mon, 07 Sep 2026 21:01:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.521924
- Title: Semi-Supervised Learning under Spatially Biased Sampling
- Title（参考訳）: 空間バイアスサンプリングによる半教師付き学習
- Abstract要約: 標準半教師付き学習(SSL)は、通常はラベル付きおよび非ラベル付きデータ共有に依存している。
本稿では,SSLのミスマッチ,クラスタと多様体の仮定が生き残るか,失敗を診断する方法について検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Standard semi-supervised learning (SSL) typically relies on labelled and unlabelled data sharing a common marginal distribution. This assumption is often violated by biased spatial sampling mechanism, when labels are collected under spatially biased or preferential site selection. We treat this marginal mismatch, spatial autocorrelation, and spatial non-stationarity as three distinct mechanisms, varied independently via a labelled-sampling concentration parameter, a spatial length scale, and a non-stationarity strength parameter, and ask how mismatch degrades SSL, whether the cluster and manifold assumptions survive it, and how the resulting failure can be diagnosed. Using a controlled synthetic framework alongside PovertyMap-WILDS, California housing, socio-economic and US air quality monitoring datasets, we systematically vary the degree of mismatch while accounting for spatial autocorrelation and non-stationarity. Through a series of analyses including a segmented-regression changepoint, we show that in the synthetic generator, SSL performance does not degrade gradually but instead exhibits a threshold-like breakdown between approximately 0.71 and 0.77 once distribution mismatch becomes sufficiently severe. We further demonstrate that spatial non-stationarity contributes to performance loss independently of marginal mismatch and that models become increasingly overconfident outside the regions where labels are available. To support practical deployment, we evaluate several distribution-divergence measures as indicators of reliability and introduce a kernel-weighted local divergence metric that provides a more stable estimate of spatial mismatch than a naïve localised approach. These findings provide empirical evidence and diagnostic tools for better documenting the risk of incorporating unlabelled spatial data into semi-supervised learning workflows.
- Abstract（参考訳）: 標準半教師付き学習(SSL)は、通常、ラベル付きおよび非ラベル付きデータで共通の限界分布を共有する。
この仮定は、しばしば、空間バイアスまたは優先的なサイト選択の下でラベルが収集されるとき、バイアス付き空間サンプリング機構によって破られる。
この限界ミスマッチ、空間自己相関、空間非定常性を3つの異なるメカニズムとして扱い、ラベル付きサンプリング濃度パラメータ、空間長スケール、非定常強度パラメータを介して独立に変化し、ミスマッチがSSLを劣化させるか、クラスタと多様体の仮定が生き残るか、そして結果の失敗をどのように診断するかを問う。
PovertyMap-WILDS,カリフォルニアハウジング,社会経済および米国の大気質モニタリングデータセットとともに制御された合成フレームワークを用いて,空間的自己相関と非定常性を考慮して,ミスマッチの程度を体系的に変化させる。
分割回帰変化点を含む一連の解析により, 合成発電機ではSSL性能は徐々に低下せず, 分布ミスマッチが十分に深刻になると, 約0.71～0.77のしきい値のように低下することを示した。
さらに,空間的非定常性は限界ミスマッチとは無関係に性能損失に寄与し,ラベルが利用可能な領域の外でモデルがますます過信されることを示す。
実際の展開を支援するため,信頼性の指標として複数の分布偏差測度を評価し,より安定した空間的ミスマッチ推定を行うカーネル重み付き局所偏差測度を導入する。
これらの知見は,空間データを半教師付き学習ワークフローに組み込むことのリスクを文書化するための実証的証拠と診断ツールを提供する。
関連論文リスト
- Discovery of Hidden Miscalibration Regimes [52.452902154360565]
モデルは何らかの入力を体系的に過信し、他人を過信することがある。
対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。
提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
論文 参考訳（メタデータ） (2026-05-13T13:07:50Z) - Local Conformal Calibration of Dynamics Uncertainty from Semantic Images [11.10792616622245]
観測対応コンフォーマル不確実性局所校正(OCular)について紹介する。
OCcularは、認識情報を用いて不確実な定量化を保証する共形予測に基づくアルゴリズムである。
ランダムな摂動と有意なモデルミスマッチを考慮した二重積分器システムにおいて,本アルゴリズムの有効性を検証した。
論文 参考訳（メタデータ） (2026-05-13T05:33:42Z) - Spatially Robust Inference with Predicted and Missing at Random Labels [2.5574009994099196]
交差フィットは空間分散推定器を歪ませ、不安定あるいは過度に保守的な信頼区間を生じる折りたたみレベルの相関を誘導することを示す。
また、折りたたみ雑音から依存を分離するジャックニフェ空間異方性と自動整合性(HAC)の分散補正を提案する。
論文 参考訳（メタデータ） (2026-03-11T23:14:21Z) - Calibrated Probabilistic Interpolation for GEDI Biomass [0.0]
本稿では,局所観測セット上での予測条件を明示する確率的メタラーニングフレームワークであるAttentive Neural Processs (ANPs)を紹介する。
本研究では,熱帯アマゾン林からボレアル,アルプスの5つの生態系にまたがるアプローチを検証した。
この研究は、大陸規模の地球観測のためのアンサンブル分散の、スケーラブルで理論的に厳密な代替手段を提供する。
論文 参考訳（メタデータ） (2026-01-23T15:35:33Z) - Uncertainty-Aware Generative Oversampling Using an Entropy-Guided Conditional Variational Autoencoder [2.1629319643623655]
本稿では,表現学習とデータ生成の両方に局所的不確実性を取り入れた生成的オーバーサンプリングフレームワークを提案する。
LEO-CVAEは,従来のオーバーサンプリングや生成ベースラインよりも優れた性能を示す。
これらの結果は、複雑な非線形構造によって支配される領域における不均衡学習に対する不確実性を考慮した生成的オーバーサンプリングの価値を強調した。
論文 参考訳（メタデータ） (2025-09-29T18:00:11Z) - Calibrating Biased Distribution in VFM-derived Latent Space via Cross-Domain Geometric Consistency [52.52950138164424]
特徴抽出にオフザシェルフ(ビジョン)基礎モデルを利用する場合、特徴分布の幾何学的形状はドメインやデータセット間で顕著な伝達性を示す。
我々は,我々の幾何学的知識誘導分布キャリブレーションフレームワークを,フェデレーション学習とロングテール認識の2つの人気かつ挑戦的な設定で具体化する。
長期学習において、サンプル豊富なカテゴリから移動された幾何学的知識を利用して、サンプル・スカース・テールクラスの真の分布を復元する。
論文 参考訳（メタデータ） (2025-08-19T05:22:59Z) - Spatial Conformal Inference through Localized Quantile Regression [6.992239210938067]
等角予測はパラメトリックな仮定に頼ることなく有効な予測間隔を提供する。
本研究では,空間データに特化して設計された共形予測法である局所空間整形予測(L SCP)を提案する。
L SCP は既存の手法に比べて非常に厳密で一貫した予測間隔で正確なカバレッジを実現する。
論文 参考訳（メタデータ） (2024-12-02T04:15:06Z) - Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。
異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
論文 参考訳（メタデータ） (2024-04-24T09:04:36Z) - Decentralized Local Stochastic Extra-Gradient for Variational
Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。
我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。
理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文 参考訳（メタデータ） (2021-06-15T17:45:51Z) - Distribution Aligning Refinery of Pseudo-label for Imbalanced
Semi-supervised Learning [126.31716228319902]
Pseudo-label (DARP) アルゴリズムの分散アライメント・リファナリーを開発する。
DARPは最先端のSSLスキームと有効かつ効率的に互換性があることを示す。
論文 参考訳（メタデータ） (2020-07-17T09:16:05Z) - Heteroskedastic and Imbalanced Deep Learning with Adaptive
Regularization [55.278153228758434]
実世界のデータセットはヘテロスケダティックで不均衡である。
ヘテロスケダスティック性と不均衡を同時に扱うことは、未発見である。
本稿ではヘテロスケダスティックデータセットに対するデータ依存正規化手法を提案する。
論文 参考訳（メタデータ） (2020-06-29T01:09:50Z)
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。