論文の概要: MORE-PLR: multi-output regression employed for partial label ranking

• arxiv url: http://arxiv.org/abs/2609.29386v1
• Date: Thu, 24 Sep 2026 11:12:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.86219
• Title: MORE-PLR: multi-output regression employed for partial label ranking
• Title（参考訳）: MORE-PLR: 部分ラベルランキングに使用される多出力回帰
• Abstract要約: 本稿では,部分ラベルランキング問題に対処するために,多出力回帰を用いた手法を提案する。 マルチ出力回帰結果を出力バケット順序に変換するポストホック層を複数導入する。 このフレームワークは、現在の最先端部分ラベルランキング手法と競合する学習戦略を提供する。
• 参考スコア（独自算出の注目度）: 9.67637031205304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The partial label ranking problem is a supervised learning scenario that aims to fit a preference model that predicts a bucket order defined over a set of labels for a given input instance. This problem generalizes the well-known label ranking problem, which, in practice, is limited to outputting total orders of labels. Existing partial label ranking methods have primarily extended label ranking approaches to handle ties in predictions. This paper proposes using multi-output regression to address the partial label ranking problem, introducing an encoder that, during the learning phase, transforms the (possibly incomplete) rankings with ties of labels to multivariate regression targets, an underexplored perspective in both label ranking and partial label ranking. Moreover, during the inference phase, we introduce several post-hoc layers that convert the multi-output regression results into the output bucket order to effectively implement this approach. This framework provides learning strategies that are competitive with the current state-of-the-art partial label ranking methods, as demonstrated through experimental evaluations.
• Abstract（参考訳）: 部分ラベルランキング問題は、与えられた入力インスタンスのラベルの集合上で定義されたバケットオーダーを予測する選好モデルに適合することを目的とした教師付き学習シナリオである。 この問題はよく知られたラベルランキング問題を一般化し、実際にはラベルの総注文数に制限される。 既存のラベルランキング手法は、主に予測における関係を扱うためにラベルランキング手法を拡張している。 本稿では,学習段階において,ラベルの結びつきによる(おそらく不完全な)ランクを多変量回帰目標に変換するエンコーダを導入し,ラベルランキングと部分ラベルランキングの双方において未検討の視点として,部分ラベルランキング問題に対処する多出力回帰手法を提案する。 さらに,提案手法を効果的に実装するために,提案手法では,複数出力の回帰結果を出力バケット順に変換するポストホック層を導入している。 このフレームワークは、実験的な評価を通じて示すように、現在の最先端部分ラベルランキング手法と競合する学習戦略を提供する。

関連論文リスト

• PaSta: Noisy Node Classification with Partial Label Learning [58.43127707101144]
  本稿では,既存の手法の限界を克服するために,新しいラベルベースの自己学習フレームワークを提案する。 PaStaは、様々なノイズ設定下での分類性能の平均1.1%の改善を実現している。
  論文  参考訳（メタデータ） (2026-08-26T04:40:23Z)
• Bipartite Ranking From Multiple Labels: On Loss Versus Label Aggregation [66.28528968249255]
  両部ランク付けは基本的な教師付き学習問題であり、単一のバイナリターゲットラベルに対して最大範囲(ROC曲線)を持つインスタンスのランク付けを学習することを目的としている。 このようなラベルを1つのコヒーレントなランキングにどうやって合成できるのか? 本研究では,ベイズ最適解を特徴付けることにより,損失集約とラベル集約という2つの手法を解析する。
  論文  参考訳（メタデータ） (2025-04-15T15:25:27Z)
• A comparative analysis of rank aggregation methods for the partial label ranking problem [13.081896295252832]
  ラベルランキング問題は、学習者が与えられた入力インスタンスのクラスラベルの総順序を予測する教師付き学習シナリオである。 本稿では、スコアベースおよび非パラメトリック確率的ランクアグリゲーションアプローチを含む、この重要なステップに対するいくつかの代替アグリゲーション手法について検討する。
  論文  参考訳（メタデータ） (2025-02-24T11:44:43Z)
• Partial-Label Regression [54.74984751371617]
  部分ラベル学習は、弱い教師付き学習環境であり、各トレーニング例に候補ラベルのセットをアノテートすることができる。 部分ラベル学習に関する従来の研究は、候補ラベルがすべて離散的な分類設定のみに焦点を当てていた。 本稿では,各トレーニング例に実値付き候補ラベルのセットをアノテートした部分ラベル回帰を初めて検討する。
  論文  参考訳（メタデータ） (2023-06-15T09:02:24Z)
• RLSEP: Learning Label Ranks for Multi-label Classification [0.0]
  マルチラベルランキングは、複数の可能なクラスの予測ラベルのランキングにインスタンスをマップする。 不正なランク付けペアに対するペナルティを組み込んだモデル最適化のための,新たな専用損失関数を提案する。 提案手法は,合成および実世界のランク付けされたデータセットについて,最も優れた評価結果を得る。
  論文  参考訳（メタデータ） (2022-12-08T00:59:09Z)
• Acknowledging the Unknown for Multi-label Learning with Single Positive Labels [65.5889334964149]
  伝統的に、全ての無注釈ラベルは、単一正のマルチラベル学習(SPML)において負のラベルとして仮定される。 本研究では, 予測確率のエントロピーを最大化するエントロピー最大化(EM)損失を提案する。 非通知ラベルの正負ラベル不均衡を考慮し、非対称耐性戦略とより精密な監視を行うセルフペースト手順を備えた非対称擬似ラベル(APL)を提案する。
  論文  参考訳（メタデータ） (2022-03-30T11:43:59Z)
• Disentangling Sampling and Labeling Bias for Learning in Large-Output Spaces [64.23172847182109]
  異なる負のサンプリングスキームが支配的ラベルと稀なラベルで暗黙的にトレードオフパフォーマンスを示す。 すべてのラベルのサブセットで作業することで生じるサンプリングバイアスと、ラベルの不均衡に起因するデータ固有のラベルバイアスの両方に明示的に対処する統一された手段を提供する。
  論文  参考訳（メタデータ） (2021-05-12T15:40:13Z)

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。