論文の概要: Machine Learning under Imperfect Data: Challenges and Methods

• arxiv url: http://arxiv.org/abs/2609.13914v1
• Date: Sat, 12 Sep 2026 12:59:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.608012
• Title: Machine Learning under Imperfect Data: Challenges and Methods
• Title（参考訳）: 不完全なデータに基づく機械学習 - 課題と方法
• Abstract要約: マシンラーニングモデルは、トレーニングとテストデータが十分に完全で、バランスが取れ、ラベル付けされ、互換性のあるディストリビューションから引き出されるという前提の下で、一般的に開発されている。 実際には、これらの条件の1つ以上が違反することが多い。測定は欠落または破損し、希少なクラスが不足し、監督が弱く、展開環境が訓練環境と異なる場合がある。 本調査は,これらのメカニズムに関する代表的手法を整理する。 それは、再構築と生成、再バランスと表現の校正、限られた監督による学習、ドメインとモダリティへの適応、配布変更時の信頼性をレビューする。
• 参考スコア（独自算出の注目度）: 12.988380776855772
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Machine-learning models are commonly developed under an assumption that training and test data are sufficiently complete, balanced, labelled, and drawn from compatible distributions. In practice, one or more of these conditions is often violated. Measurements may be missing or corrupted, rare classes may be poorly represented, supervision may be weak, and the deployment environment may differ from the training environment. These imperfections are usually treated as separate technical problems, although they alter learning through a small number of shared mechanisms: loss of information, biased empirical risk, ambiguous supervision, and unstable representations. This short survey organises representative methods around these mechanisms. It reviews reconstruction and generation, rebalancing and representation calibration, learning with limited supervision, adaptation across domains and modalities, and reliability under distribution change. The discussion highlights the limits of plausible reconstruction, benchmark-specific correction, and adaptation without trustworthy feedback. It concludes with directions for evidence-aware learning, uncertainty-preserving prediction, and evaluation that separates visual plausibility from decision utility.
• Abstract（参考訳）: マシンラーニングモデルは、トレーニングとテストデータが十分に完全で、バランスが取れ、ラベル付けされ、互換性のあるディストリビューションから引き出されるという前提の下で、一般的に開発されている。 実際には、これらの条件の1つ以上のことがしばしば違反される。 測定は欠落または破損し、希少なクラスが不足し、監督が弱く、配置環境が訓練環境と異なる可能性がある。 これらの欠陥は通常、別の技術的問題として扱われるが、情報の喪失、経験的リスクの偏り、曖昧な監督、不安定な表現など、少数の共有メカニズムを通じて学習を変化させる。 この短い調査は、これらのメカニズムに関する代表的手法を整理する。 それは、再構築と生成、再バランスと表現の校正、限られた監督による学習、ドメインとモダリティへの適応、配布変更時の信頼性をレビューする。 この議論は、信頼できるフィードバックなしに、もっともらしい再構築、ベンチマーク固有の修正、適応の限界を強調している。 それは、エビデンス認識学習、不確実性保存予測、そして視覚的妥当性を意思決定ユーティリティから分離する評価の方向性で締めくくっている。

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)
• Unified Meta-Representation and Feedback Calibration for General Disturbance Estimation [15.761366602886868]
  本稿では,メタラーニングとフィードバック校正によるオンライン適応に基づく外乱推定フレームワークを提案する。 過去の観測の有限時間窓から特徴を抽出することにより、一般的な非構造的乱れを効果的に捉える統一表現を学習することができる。 本研究の枠組みは, 四重項飛行実験で示されるように, 複数の急激な乱れを効果的に推定する。
  論文  参考訳（メタデータ） (2026-01-06T06:53:19Z)
• Equivariant Splitting: Self-supervised learning from incomplete data [11.641086974203924]
  本研究では,単一不完全観測モデルを用いて測定結果が観測される難易度設定のために考案された,新たな自己教師型学習戦略を提案する。 自己監督型分割損失と同変型再構成ネットワークの組み合わせは,教師型分割損失と同程度に最小化できることを示す。
  論文  参考訳（メタデータ） (2025-10-01T14:08:17Z)
• From Lab to Factory: Pitfalls and Guidelines for Self-/Unsupervised Defect Detection on Low-Quality Industrial Images [1.8185814461140655]
  機械学習は手動処理に取って代わる可能性がある。 ほとんどのメソッドは、低いデータ品質をうまく処理したり、好ましくないが典型的な現実世界の設定において、ロバストさを排除したりしない。 生産データの品質問題を特定し改善するための2種類の最先端モデルを評価する。
  論文  参考訳（メタデータ） (2025-06-20T10:28:00Z)
• CLUE: Neural Networks Calibration via Learning Uncertainty-Error alignment [7.702016079410588]
  CLUE(Calibration via Learning Uncertainty-Error Alignment)は,学習中の予測不確かさを観測誤差と整合させる新しい手法である。 CLUEは,最先端のアプローチに対して,キャリブレーション品質と競争予測性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-05-28T19:23:47Z)
• Rethinking Early Stopping: Refine, Then Calibrate [49.966899634962374]
  キャリブレーション・リファインメント分解の新規な変分定式化について述べる。 我々は,校正誤差と精錬誤差が訓練中に同時に最小化されないという理論的,実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-01-31T15:03:54Z)
• Revisiting Machine Unlearning with Dimensional Alignment [46.29161970063835]
  そこで本研究では,未知の固有空間間のアライメントを計測し,データセットの保持を行う,機械学習のための新しい評価基準を提案する。 筆者らの枠組みは, 忘れ物から情報を効果的に排除し, 保持物から知識を保存している。
  論文  参考訳（メタデータ） (2024-07-25T02:05:15Z)
• Arbitrariness and Social Prediction: The Confounding Role of Variance in Fair Classification [31.392067805022414]
  異なる訓練されたモデル間での予測のばらつきは、公正なバイナリ分類における重要な、未探索のエラーの原因である。 実際には、いくつかのデータ例のばらつきは非常に大きいので、決定を効果的に任意にすることができる。 予測が任意である場合に分類を省略するアンサンブルアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-01-27T06:52:04Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Learning perturbation sets for robust machine learning [97.6757418136662]
  我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。 学習した摂動集合の質を定量的かつ質的に測定する。 我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
  論文  参考訳（メタデータ） (2020-07-16T16:39:54Z)
• Learning Diverse Representations for Fast Adaptation to Distribution Shift [78.83747601814669]
  本稿では,複数のモデルを学習する手法を提案する。 分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
  論文  参考訳（メタデータ） (2020-06-12T12:23:50Z)

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。