Fugu-MT 論文翻訳(概要): BioDCASE: Active Learning for Bioacoustics

論文の概要: BioDCASE: Active Learning for Bioacoustics

arxiv url: http://arxiv.org/abs/2609.15255v1
Date: Mon, 14 Sep 2026 09:14:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:06.203698
Title: BioDCASE: Active Learning for Bioacoustics
Title（参考訳）: BioDCASE: バイオアコースティックスのためのアクティブラーニング
Abstract要約: バイオアコースティックスのための2026 Active Learning for Bioacoustics BioDCASE の課題について紹介する。効果的なAL戦略の同定を目的としたサンプリング手法の体系的評価上位の応募者は複数の取得信号と多様性に基づく選択を組み合わせ、純粋な不確実性サンプリングを上回った。
参考スコア（独自算出の注目度）: 8.559435146342162
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Ecological monitoring increasingly relies on machine learning models, whose performance depends on the quality and quantity of labelled data. However, obtaining these labels is costly, particularly in passive acoustic monitoring, where vast amounts of data are collected but only a small proportion can feasibly be annotated. Active learning addresses this bottleneck by prioritizing which samples should be labelled. However, progress is difficult to measure, because published methods are evaluated under different models, budgets, evaluation metrics and datasets. To address this challenge, we present the 2026 Active Learning for Bioacoustics BioDCASE challenge: a systematic evaluation of sampling methods designed to identify effective AL strategies. Participant methods were evaluated across four subsets composed of terrestrial and marine data. Across ten proposed sampling methods from seven teams, the top-ranked method achieved an area under the learning curve 26.4 % higher than random sampling at the same annotation budget, averaged over four data subsets. Significant variation in performance was observed across subsets, with the top-performing submission achieving a 67.1 % gain for the HSN subset over random sampling and a gain of 8 % for the ATBFL subset. Top-ranking submissions combined multiple acquisition signals, and diversity-based selection outperformed pure uncertainty sampling. Furthermore, there is evidence that transitioning from diversity-based to uncertainty-based selection and explicitly reducing redundancy within acquisition batches improve model training. There is also initial evidence that larger acquisition batch sizes may be increasingly beneficial later in the labelling process.
Abstract（参考訳）: 生態モニタリングは、ラベル付きデータの品質と量に依存する機械学習モデルにますます依存している。しかし、これらのラベルを得るにはコストがかかる。特に受動的音響モニタリングでは、大量のデータが収集されるが、わずかな比率しか注釈を付けることができない。アクティブラーニングは、どのサンプルにラベルを付けるべきかを優先順位付けすることで、このボトルネックに対処する。しかし、公開手法は異なるモデル、予算、評価指標、データセットで評価されるため、進捗測定は困難である。この課題に対処するため,バイオアコースティックスのための2026 Active Learning for Bioacoustics BioDCASE Challenge: a systematic evaluation of sample method designed to identify effective AL strategy。地上および海洋データからなる4つのサブセットの参加者評価を行った。 7つのチームから提案された10のサンプリング手法で、トップランクの手法は、同じアノテーション予算において、平均4つのデータサブセットで、ランダムサンプリングよりも26.4パーセント高い学習曲線の領域を達成した。 HSNサブセットは、ランダムサンプリングよりも67.1 %、ABBFLサブセットは8 %のゲインを達成し、サブセット間でパフォーマンスの有意な変動が観察された。上位の応募者は複数の取得信号と多様性に基づく選択を組み合わせ、純粋な不確実性サンプリングを上回った。さらに、多様性に基づく選択から不確実性に基づく選択へ移行し、取得バッチ内の冗長性を明示的に低減することで、モデルトレーニングが向上する証拠もある。また、ラベリングプロセスの後半でより大きな買収バッチサイズが益になる可能性があるという初期の証拠もある。

関連論文リスト

Active Transfer Bagging: A New Approach for Accelerated Active Learning Acquisition of Data by Combined Transfer Learning and Bagging Based Models [0.0]
アクティブラーニングのためのシードデータセット選択法であるアクティブトランスファー・バッグング(ATBagging)を導入する。 ATBaggingは、バッジアンサンブルモデルのベイズ解釈から、候補データポイントのインフォメーション性を推定する。 ATBagging on four real-world datasets cover both target-transfer and feature-shift scenarios。
論文参考訳（メタデータ） (2026-02-02T18:15:50Z)
Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
論文参考訳（メタデータ） (2026-01-19T07:55:29Z)
Coreset selection based on Intra-class diversity [4.638022690041187]
近年の研究では、Deep Learningモデルをトレーニングするための2つの異なるアプローチが採用されている。データセットのサイズが大きくなるにつれて、この問題に対する解決策を探究する研究コミュニティが最近注目を集めている。そこで本研究では,クラス内の多様性を抽出し,最終サンプリングに利用したクラスごとのクラスタを生成する手法を提案する。
論文参考訳（メタデータ） (2025-09-23T12:45:53Z)
Enhancing Sample Utilization in Noise-Robust Deep Metric Learning With Subgroup-Based Positive-Pair Selection [84.78475642696137]
実世界のデータにノイズラベルが存在することは、ディープラーニングモデルの性能に悪影響を及ぼす。サブグループに基づく正対選択(SGPS)を用いたノイズロストDMLフレームワークを提案する。 SGPSは、ノイズのあるサンプルに対して信頼性の高い正のペアを構築し、サンプルの利用率を高める。
論文参考訳（メタデータ） (2025-01-19T14:41:55Z)
Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文参考訳（メタデータ） (2024-07-20T01:34:13Z)
MuRAL: Multi-Scale Region-based Active Learning for Object Detection [20.478741635006116]
オブジェクト検出のためのマルチスケール領域ベースアクティブラーニング(MuRAL)と呼ばれる新しい手法を提案する。 MuRALは、様々なスケールの情報領域を特定して、よく学習されたオブジェクトのアノテーションコストを削減する。提案手法は,Cityscapes および MS COCO データセットの粗粒度および細粒度ベースラインを網羅する。
論文参考訳（メタデータ） (2023-03-29T12:52:27Z)
Undersampling and Cumulative Class Re-decision Methods to Improve Detection of Agitation in People with Dementia [16.949993123698345]
消化は認知症(PwD)で最も多い症状の1つである。前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
論文参考訳（メタデータ） (2023-02-07T03:14:00Z)
Exploiting Diversity of Unlabeled Data for Label-Efficient Semi-Supervised Active Learning [57.436224561482966]
アクティブラーニング(英: Active Learning)は、ラベリングのための最も重要なサンプルを選択することで、高価なラベリングの問題に対処する研究分野である。アクティブな学習環境における初期ラベル付けのための最も情報性の高いサンプル群を選択するために,多様性に基づく新しい初期データセット選択アルゴリズムを提案する。また、一貫性に基づく埋め込みの多様性に基づくサンプリングを用いた、新しいアクティブな学習クエリ戦略を提案する。
論文参考訳（メタデータ） (2022-07-25T16:11:55Z)
On robust risk-based active-learning algorithms for enhanced decision support [0.0]
分類モデルは、構造的健康モニタリング(SHM)システムやデジタルツインなどの物理資産管理技術の基本的な構成要素である。本稿では,サンプリングバイアスの効果に対処する2つの新しい手法を提案する。
論文参考訳（メタデータ） (2022-01-07T17:25:41Z)
Rethinking Sampling Strategies for Unsupervised Person Re-identification [59.47536050785886]
我々は,同じフレームワーク下での各種サンプリング戦略と損失関数のパフォーマンス差の理由を解析した。グループサンプリングを提案し、同じクラスのサンプルをグループに集める。 Market-1501、DukeMTMC-reID、MSMT17の実験は、グループサンプリングが最先端の手法に匹敵する性能を達成することを示した。
論文参考訳（メタデータ） (2021-07-07T05:39:58Z)
Minimax Active Learning [61.729667575374606]
アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-12-18T19:03:40Z)
Active and Incremental Learning with Weak Supervision [7.2288756536476635]
本研究では,逐次学習方式と能動学習方式の組み合わせについて述べる。オブジェクト検出タスクは、PASCAL VOCデータセット上で連続的な探索コンテキストで評価される。また,実世界の生物多様性アプリケーションにおいて,能動的・漸進的学習に基づく弱教師付きシステムを検証する。
論文参考訳（メタデータ） (2020-01-20T13:21:14Z)

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。