論文の概要: Adaptive Ensemble Selection for Noisy Labels on Tabular Data

• arxiv url: http://arxiv.org/abs/2609.32976v1
• Date: Sat, 26 Sep 2026 22:11:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 11:31:30.884681
• Title: Adaptive Ensemble Selection for Noisy Labels on Tabular Data
• Title（参考訳）: 母音データに基づく雑音ラベルの適応アンサンブル選択
• Abstract要約: 本稿では、データセットの品質を自動的に診断し、適切なクリーニング戦略を選択するAIデータサイエンスシステムのためのデータ中心推論モジュールを提案する。 提案手法は,データセットに依存したゲインと損失を伴って,平均的な信頼学習ベースラインに匹敵するパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 1.7172334760157348
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Incorrect or corrupted labels in tabular datasets can significantly degrade supervised learning performance, particularly when mislabeling is subtle and not easily detectable from feature space alone. In the context of automated or AI-augmented data science workflows, robust detection of such label noise is critical for building reliable models. We propose a data-centric reasoning module for AI data science systems that automatically diagnoses dataset quality and selects appropriate cleaning strategies. Given a dataset, a meta-model predicts weights over a diverse set of detectors, including confidence-based, neighborhood-based, and distributional methods. Across benchmark datasets with controlled noise, our approach achieves performance comparable to a Confident Learning baseline on average, with dataset-dependent gains and losses, particularly in heterogeneous regimes. We further show that detector effectiveness is systematically linked to dataset properties. These results demonstrate the value of descriptor-driven, data-centric ensembling as a component of AI-assisted data-science pipelines for robust dataset assessment and model reliability.
• Abstract（参考訳）: 表付きデータセットの不正ラベルや破損ラベルは、特に誤ラベルが微妙で、特徴空間だけでは検出できない場合、教師付き学習性能を著しく低下させる可能性がある。 自動化またはAI強化されたデータサイエンスワークフローのコンテキストでは、信頼できるモデルを構築する上で、そのようなラベルノイズの堅牢な検出が不可欠である。 本稿では、データセットの品質を自動的に診断し、適切なクリーニング戦略を選択するAIデータサイエンスシステムのためのデータ中心推論モジュールを提案する。 データセットが与えられた場合、メタモデルは、信頼に基づく、近傍に基づく、分布的な方法を含む、さまざまな検出器セットの重量を予測する。 制御ノイズのあるベンチマークデータセット全体で、我々のアプローチは、データセットに依存したゲインと損失、特に異種体制において、平均的な信頼学習ベースラインに匹敵するパフォーマンスを達成する。 さらに,検出の有効性は,データセットの特性と体系的に関連していることを示す。 これらの結果は、堅牢なデータセットアセスメントとモデルの信頼性のためのAI支援データサイエンスパイプラインのコンポーネントとして、記述子駆動のデータ中心のアンサンブルの価値を示している。

関連論文リスト

• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• Unsupervised Skill Discovery for Agentic Data Analysis [55.42853694128929]
  DataCOPEは、データ分析エージェントのための教師なし検証対象のスキル発見フレームワークである。 トラジェクトリ生成のためのデータ分析エージェント、信号抽出のための教師なし検証器、および対照的なスキル蒸留のためのスキルマネージャを反復的にコーディネートする。 我々は,Deep Data Researchのレポートスタイル分析とDABStepの推論スタイル解析についてDataCOPEを評価した。
  論文  参考訳（メタデータ） (2026-06-04T17:20:47Z)
• Utilizing dataset affinity prediction in object detection to assess training data [4.508868068781057]
  車両データセットのヘテロジニアスプールからサンプルを自動的に選択することで、いわゆるデータセット親和性スコアの利点を示す。 その結果、物体検出器は検出精度を損なうことなく、かなりスペーサーなトレーニングサンプルで訓練できることがわかった。
  論文  参考訳（メタデータ） (2023-11-16T10:45:32Z)
• TRIAGE: Characterizing and auditing training data for improved regression [80.11415390605215]
  TRIAGEは回帰タスクに適した新しいデータキャラクタリゼーションフレームワークで、広範囲の回帰器と互換性がある。 TRIAGEは、共形予測分布を利用して、モデルに依存しないスコアリング方法、TRIAGEスコアを提供する。 TRIAGEの特徴は一貫性があり、複数の回帰設定においてデータの彫刻/フィルタリングによるパフォーマンス向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-29T10:31:59Z)
• Self-refining of Pseudo Labels for Music Source Separation with Noisy Labeled Data [15.275949700129797]
  音楽音源分離(MSS)は、正確にラベル付けされた個々の楽器トラックの可用性が限られているため、課題に直面している。 本稿では,ラベルを部分的に間違ってラベル付けしたデータセットに書き換える自動手法を提案する。 提案手法は, 雑音ラベル付きデータセットを用いて, 多ラベルの楽器認識において, 1%の精度劣化しか得られない。
  論文  参考訳（メタデータ） (2023-07-24T07:47:21Z)
• Promises and Pitfalls of Threshold-based Auto-labeling [17.349289155257715]
  Threshold-based auto-labeling (TBAL) 我々は,機械ラベルデータの品質を保証するために必要な人間ラベル付き検証データの量に基づいて,複雑性境界を導出する。 我々は、合成データセットと実データセットに関する広範な実験により、理論的保証を検証する。
  論文  参考訳（メタデータ） (2022-11-22T22:53:17Z)
• Data-SUITE: Data-centric identification of in-distribution incongruous examples [81.21462458089142]
  Data-SUITEは、ID(In-distriion)データの不連続領域を特定するためのデータ中心のフレームワークである。 我々は,Data-SUITEの性能保証とカバレッジ保証を実証的に検証する。
  論文  参考訳（メタデータ） (2022-02-17T18:58:31Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)

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。