論文の概要: Less Is More in the Long Tail: Stage-Adaptive Sample Selection for Annotation-Efficient Dense Prediction

• arxiv url: http://arxiv.org/abs/2609.25850v1
• Date: Tue, 22 Sep 2026 08:16:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.296455
• Title: Less Is More in the Long Tail: Stage-Adaptive Sample Selection for Annotation-Efficient Dense Prediction
• Title（参考訳）: 注釈効率の良いDense予測のためのステージ適応型サンプル選択法
• Abstract要約: SASSは、長い尾の密接な予測において、プールベースのアクティブラーニングのためのステージ適応型データ選択フレームワークである。 マルチモーダルな3次元医療セグメンテーションテストベッド上でのSASSの評価を行い,108構造にまたがる10,000以上のサンプルについて検討した。
• 参考スコア（独自算出の注目度）: 21.897628083946874
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning performance generally improves with increasing training data, yet this scaling is fundamentally constrained by annotation cost in large-scale dense prediction tasks with long-tailed category distributions, where pixel- or voxel-level annotation is prohibitively expensive. We propose SASS (Stage-Adaptive Sample Selection), a stage-adaptive data-selection framework for pool-based active learning in long-tailed dense prediction. SASS combines three components: label-free self-supervised gradient scoring, prior-guided category rebalancing with validation-driven feedback, and stage-adaptive acquisition aligned with model training dynamics. This design avoids candidate ground-truth masks during gradient scoring while making acquisition responsive to long-tail imbalance and evolving representations. We evaluate SASS on a multimodal 3D medical segmentation testbed comprising over 100,000 samples spanning 108 anatomical structures. SASS recovers 98.3% of full-dataset performance with a 40% training-pool annotation budget, outperforming BADGE by 5.1 percentage points. Moreover, SASS exhibits a statistically supported less-is-more pattern, surpassing full-dataset training at the Hard-group level and, at the structure level, for the pancreas and gallbladder. More broadly, SASS shows that annotation-efficient learning depends not only on which samples are selected, but also on how the annotation budget is distributed across categories and when model-derived scores begin to guide selection.
• Abstract（参考訳）: ディープラーニングのパフォーマンスは、トレーニングデータの増加によって向上するが、このスケーリングは、画素レベルのアノテーションやボクセルレベルのアノテーションが禁止的に高価である長いカテゴリ分布を持つ大規模密集予測タスクにおいて、アノテーションコストによって根本的な制約を受ける。 そこで本稿では,長期にわたる高密度予測におけるプール型アクティブラーニングのための段階適応型データ選択フレームワークSASSを提案する。 SASSは、ラベルなしの自己教師付き勾配スコアリング、バリデーション駆動のフィードバックによる事前ガイダンスのカテゴリリバランス、モデルトレーニングのダイナミックスに適合したステージ適応獲得の3つのコンポーネントを組み合わせている。 この設計は、長い尾の不均衡と進化する表現に応答しながら、グラデーションスコア中に候補となる接地トラスマスクを避ける。 108個の解剖学的構造にまたがる10万以上の試料からなる多次元医用セグメンテーションテストベッド上でSASSを評価した。 SASSはフルデータセットのパフォーマンスの98.3%を回復し、40%のトレーニングプールアノテーション予算を達成し、BADGEを5.1ポイント上回っている。 さらに,SASSは,Hard-groupレベルおよび構造レベルにおいて,膵・胆嚢のフルデータセットトレーニングを上回る,統計的に支持されないパターンを示す。 より広範に、SASSは、アノテーション効率の学習は、どのサンプルが選択されたかだけでなく、どのようにアノテーション予算がカテゴリに分散され、モデル由来のスコアが選択を導い始めるかにも依存することを示している。

関連論文リスト

• Non-Uniform Class-Wise Coreset Selection: Characterizing Category Difficulty for Data-Efficient Transfer Learning [19.152700266277247]
  Non-Uniform Class-Wise Coreset Selection (NUCS)は、クラスレベルとインスタンスレベルの両方の基準を統合する新しいフレームワークである。 我々の研究は、コアセット選択におけるカテゴリの難しさを特徴づけることの重要性を強調し、転送学習のための堅牢でデータ効率のよいソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-17T15:40:51Z)
• Class Balance Matters to Active Class-Incremental Learning [61.11786214164405]
  まず、大規模な未ラベルデータのプールから始めて、インクリメンタルな学習のための最も情報に富んだサンプルを注釈付けします。 そこで我々は,クラスバランスと情報提供性を両立させるため,クラスバランス選択(CBS)戦略を提案する。 我々のCBSは、プリトレーニング済みモデルとプロンプトチューニング技術に基づいて、これらのCILメソッドに接続し、再生することができる。
  論文  参考訳（メタデータ） (2024-12-09T16:37:27Z)
• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• ActiveDC: Distribution Calibration for Active Finetuning [36.64444238742072]
  本研究では,アクティブ微調整タスクのためのActiveDCと呼ばれる新しい手法を提案する。 我々は,無ラベルプールにおける暗黙のカテゴリ情報を利用して,選択したサンプルの分布を校正する。 その結果,ActiveDCは画像分類タスクのベースライン性能を一貫して上回ることがわかった。
  論文  参考訳（メタデータ） (2023-11-13T14:35:18Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)
• Uncertainty-aware Self-training for Text Classification with Few Labels [54.13279574908808]
  本研究は,アノテーションのボトルネックを軽減するための半教師あり学習手法の1つとして,自己学習について研究する。 本稿では,基礎となるニューラルネットワークの不確実性推定を取り入れて,自己学習を改善する手法を提案する。 本手法では,クラス毎に20～30個のラベル付きサンプルをトレーニングに利用し,完全教師付き事前学習言語モデルの3%以内で検証を行う。
  論文  参考訳（メタデータ） (2020-06-27T08:13:58Z)
• Efficient Deep Representation Learning by Adaptive Latent Space Sampling [16.320898678521843]
  監視されたディープラーニングには、アノテーションを備えた大量のトレーニングサンプルが必要です。 本稿では,学習プロセスに供給される情報サンプルを適応的に選択する新しいトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-19T22:17:02Z)

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。