論文の概要: Importance Weighting for Unlabeled-unlabeled Learning under Distribution Shift

• arxiv url: http://arxiv.org/abs/2609.10994v1
• Date: Thu, 10 Sep 2026 02:13:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.197807
• Title: Importance Weighting for Unlabeled-unlabeled Learning under Distribution Shift
• Title（参考訳）: 分散シフト下における未ラベル学習の重み付け
• Abstract要約: 非ラベル付き未ラベル学習(Unlabeled-Unlabeled-Unlabeled, UU)では,異なるクラスプライヤを持つ2組の未ラベルデータからバイナリ分類器を学習することができる。 本稿では,UUデータを用いたUU学習のための分布シフト適応手法を提案する。 UU学習の一般化により,1つのフレームワーク内での分布シフトの下でPUや雑音ラベル学習などの様々な学習問題に対処できる。
• 参考スコア（独自算出の注目度）: 35.99400750792333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unlabeled-unlabeled (UU) learning allows us to learn a binary classifier from two sets of unlabeled data with different class-priors. It is a general framework because it includes a wide variety of supervised learning such as positive-unlabeled (PU) learning, noisy label learning, and similarity-based learning. Existing UU learning assumes that the test and training distributions have the same class-conditional densities. However, this assumption rarely holds in practice due to distribution shifts. This paper proposes a distribution shift adaptation method for UU learning that uses UU data in the training distribution and a few UU data in the test distribution. The proposed method is based on the importance weighting, which minimizes the test risk by using training data with estimated importance weights. Although existing importance weighting methods cannot handle UU data, we show that it can be done in a principled manner. Thanks to the generality of UU learning, our method can handle various learning problems such as PU and noisy label learning under distribution shift within a single framework while existing methods are usually tailored to a specific problem. Moreover, it does not require any assumption of the shift types such as covariate shift. We experimentally demonstrate the effectiveness of the proposed method with real-world datasets.
• Abstract（参考訳）: ラベル付き未ラベル学習(Unlabeled-Unlabeled-Unlabeled, UU)では,異なるクラスプライヤを持つ2組のラベル付きデータからバイナリ分類器を学習することができる。 これは、肯定的未ラベル学習(PU)、ノイズのあるラベル学習、類似性に基づく学習など、幅広い教師付き学習を含んでいるため、一般的なフレームワークである。 既存のUU学習では、テストとトレーニングの分布は同じクラス条件密度を持つと仮定している。 しかし、この仮定は分布シフトのため、実際にはほとんど成り立たない。 本稿では,UUデータを用いたUU学習のための分布シフト適応手法を提案する。 提案手法は, 重要度を推定したトレーニングデータを用いて, テストリスクを最小限に抑える重要度重み付けに基づく。 既存の重み付け手法ではUUデータを扱えないが、原則的に行うことができることを示す。 UU学習の一般化により,既存の手法は特定の問題に適応する一方で,単一フレームワーク内での分布シフト下でのPUや雑音ラベル学習といった様々な学習問題に対処することができる。 さらに、共変量シフトのようなシフトタイプの仮定は一切必要としない。 提案手法の有効性を実世界のデータセットを用いて実験的に実証した。

関連論文リスト

• Improving realistic semi-supervised learning with doubly robust estimation [8.828699635463265]
  Semi-Supervised Learning (SSL)における大きな課題は、ラベルなしデータのクラス分布に関する制限された情報である。 本稿では,有限次元パラメータである無ラベルなクラス分布を,強い理論的保証を持つ2重頑健な推定器を用いて明示的に推定することを提案する。 この推定値を既存の手法に統合して、トレーニング中のラベルなしデータをより正確に擬似ラベル付けすることができる。
  論文  参考訳（メタデータ） (2025-02-01T02:34:12Z)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised Learning [69.81438976273866]
  オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。 本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。 Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-21T09:07:15Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Learning from Positive and Unlabeled Data with Augmented Classes [17.97372291914351]
  Augmented Classes (PUAC) を用いたPU学習のための非バイアスリスク推定器を提案する。 提案手法は,最適解への収束を理論的に保証する推定誤差を導出する。
  論文  参考訳（メタデータ） (2022-07-27T03:40:50Z)
• Agree to Disagree: Diversity through Disagreement for Better Transferability [54.308327969778155]
  本稿では,D-BAT(Diversity-By-dis-Agreement Training)を提案する。 我々は、D-BATが一般化された相違の概念から自然に現れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T12:03:02Z)
• Learning with Proper Partial Labels [87.65718705642819]
  部分ラベル学習は、不正確なラベルを持つ弱い教師付き学習の一種である。 この適切な部分ラベル学習フレームワークには,従来の部分ラベル学習設定が数多く含まれていることを示す。 次に、分類リスクの統一的非バイアス推定器を導出する。
  論文  参考訳（メタデータ） (2021-12-23T01:37:03Z)
• Positive-Unlabeled Classification under Class-Prior Shift: A Prior-invariant Approach Based on Density Ratio Estimation [85.75352990739154]
  密度比推定に基づく新しいPU分類法を提案する。 提案手法の顕著な利点は、訓練段階においてクラスプライヤを必要としないことである。
  論文  参考訳（メタデータ） (2021-07-11T13:36:53Z)

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。