論文の概要: Active Learning for Biodiversity Monitoring: From Label Efficiency to Reliable Ecological Inference

• arxiv url: http://arxiv.org/abs/2609.27409v1
• Date: Wed, 23 Sep 2026 06:21:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.906116
• Title: Active Learning for Biodiversity Monitoring: From Label Efficiency to Reliable Ecological Inference
• Title（参考訳）: 生物多様性モニタリングのためのアクティブラーニング:ラベル効率から信頼性エコロジー推論へ
• Abstract要約: アクティブラーニング(AL)は、目標のパフォーマンスに到達するために必要なラベルを削減できる。 ALはサンプルを非ランダムに選択するため、ラベルは検証、校正、しきい値選択には適さない。 AL研究を音響的・画像的モダリティにわたって合成し,ギャップと機会を識別する。
• 参考スコア（独自算出の注目度）: 4.257119184870449
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Limited expert annotation capacity is a pervasive constraint in biodiversity monitoring. Passive acoustic recorders and camera traps generate data faster than experts can analyse them. Machine learning (ML) models can process these data at scale, but their reliability depends on the quality, quantity, and coverage of labelled samples, so expert time remains a constraint. Active learning (AL) eases this bottleneck by selecting, under a fixed annotation budget, the samples expected to improve a model most, and published evidence shows it can reduce the labels needed to reach a target performance. Monitoring programmes, however, face a broader question: how should a limited expert budget be divided so that model training, validation, and the ecological estimates built on model outputs all remain reliable? Because AL selects samples non-randomly, its labels are unsuitable for validation, calibration, or threshold selection, a tension rarely acknowledged. We synthesise AL research across acoustic and image modalities and identify gaps and opportunities. Most studies evaluate query strategies on pre-labelled benchmarks with simulated annotators; deployments in real monitoring workflows are rare and concentrate on birds and cetaceans. Bats, insects, amphibians, and fish are underrepresented, and multimodal applications remain largely unexplored. Evaluation centres on headline reductions in annotation effort, often without random-sampling baselines, per-class results, or calibration analysis, and rarely accounts for the labels required for validation. We provide a tutorial treatment of the AL loop that makes these budget decisions explicit, and a roadmap towards AL methods that support label-efficient training, validation, and trustworthy downstream ecological inference.
• Abstract（参考訳）: 専門的アノテーション能力の制限は、生物多様性モニタリングにおける広範にわたる制約である。 パッシブアコースティックレコーダーとカメラトラップは、専門家が分析できるよりも速くデータを生成する。 機械学習(ML)モデルは、これらのデータを大規模に処理することができるが、信頼性はラベル付きサンプルの品質、量、カバレッジに依存するため、専門家の時間は依然として制約である。 アクティブラーニング(AL)は、固定されたアノテーション予算の下でモデルを改善することが期待されるサンプルを選択し、このボトルネックを緩和する。 しかし、モニタリングプログラムはより広範な問題に直面している。モデルトレーニング、検証、そしてモデルアウトプット上に構築されたエコロジー見積がすべて信頼性を保つために、限られた専門家予算をどうやって分割すべきなのか? ALはサンプルを非ランダムに選択するため、ラベルは検証、校正、しきい値選択には適さないため、緊張は滅多に認められない。 AL研究を音響的・画像的モダリティにわたって合成し,ギャップと機会を識別する。 多くの研究は、シミュレーションアノテータを用いたプレラベレードベンチマークのクエリ戦略を評価しており、実際のモニタリングワークフローへの展開は稀であり、鳥類や甲殻類に集中している。 コウモリ、昆虫、両生類、魚類は少なからぬ存在であり、マルチモーダルな用途は未発見のままである。 評価の中心は、しばしばランダムサンプリングベースライン、クラスごとの結果、校正分析なしで、アノテーションの取り組みにおける見出しの削減であり、検証に必要なラベルはめったに考慮しない。 我々は、これらの予算決定を明確にするALループのチュートリアルと、ラベル効率のトレーニング、検証、信頼できる下流の環境推論をサポートするALメソッドへのロードマップを提供する。

関連論文リスト

• Interpretable Human-Label-Free Deep Learning for Real-Bogus Classification with Uncertainty Quantification [2.687159171905859]
  時間領域の調査は多くのトランジェントな候補を生成し、Real-Bogus分類を自動ディスカバリパイプラインの重要なステップにする。 我々は,注入された過渡期データとボグス支配調査データを用いて,人間ラベルデータなしで訓練できるリアル・ボグス分類フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-06T17:59:58Z)
• When Self-Belief Misleads: Active Label Acquisition for Reinforcement Learning with Verifiable Rewards [49.25249414962884]
  能動検証リワードを用いた強化学習(RLAVR)を提案する。 RLAVRは、少数のサンプルの接地木ラベルを積極的に取得し、擬似ラベルと統合する。 これに基づいて、RLAVR(CARE)の補正認識信頼性推定を導入する。
  論文  参考訳（メタデータ） (2026-05-25T13:55:12Z)
• DiCaP: Distribution-Calibrated Pseudo-labeling for Semi-Supervised Multi-Label Learning [83.94574004953346]
  半教師付きマルチラベル学習は、ラベルのないデータを活用してモデルの性能を向上させることを目的としている。 既存の手法の多くは、その品質に関わらず、すべての擬似ラベルに等しい重みを割り当てる。 擬似ラベル重みの校正に後部精度を推定する正当性認識フレームワークDiCaPを提案する。
  論文  参考訳（メタデータ） (2025-11-25T11:55:02Z)
• Reliable Active Learning from Unreliable Labels via Neural Collapse Geometry [5.1511135538176]
  アクティブラーニング(AL)は、情報的なサンプルを優先順位付けすることでアノテーションのコストを削減することを約束するが、ラベルがうるさい場合やデータ分散がシフトした場合、その信頼性は低下する。 本稿では,深層ネットワークの創発的幾何学的規則性を活用し,信頼できない監視に対処するフレームワークである能動学習(NCAL-R)を提案する。
  論文  参考訳（メタデータ） (2025-10-10T17:50:31Z)
• Perceptual Quality-based Model Training under Annotator Label Uncertainty [15.015925663078377]
  アノテーションは、アノテータラベルの不確実性と呼ばれるデータラベリング中に不一致を示す。 モデル学習のための複数のラベルを客観的に生成する新しい知覚品質ベースモデル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） (2024-03-15T10:52:18Z)
• Learning with Imbalanced Noisy Data by Preventing Bias in Sample Selection [82.43311784594384]
  実世界のデータセットには、ノイズの多いラベルだけでなく、クラス不均衡も含まれている。 不均衡なデータセットにおけるノイズラベルに対処する,単純かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-02-17T10:34:53Z)
• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• Uncertainty-aware Pseudo-label Selection for Positive-Unlabeled Learning [10.014356492742074]
  本稿では,正の未ラベル学習環境における不均衡データセットとモデル校正の問題に取り組むことを提案する。 マイノリティクラスからのシグナルを増強することにより、擬似ラベル付けはラベル付きデータセットをラベル付きデータセットから新しいサンプルで拡張する。 PUUPLは一連の実験において、高度に不均衡な設定で大幅な性能向上をもたらす。
  論文  参考訳（メタデータ） (2022-01-31T12:55:47Z)
• In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning [53.1047775185362]
  Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。 PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。 そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-15T23:29:57Z)
• Ask-n-Learn: Active Learning via Reliable Gradient Representations for Image Classification [29.43017692274488]
  深い予測モデルは、ラベル付きトレーニングデータという形で人間の監督に依存する。 Ask-n-Learnは,各アルゴリズムで推定されたペスドラベルを用いて得られる勾配埋め込みに基づく能動的学習手法である。
  論文  参考訳（メタデータ） (2020-09-30T05:19:56Z)

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。