論文の概要: Candidate Retention for Abductive Learning

• arxiv url: http://arxiv.org/abs/2609.39561v1
• Date: Wed, 30 Sep 2026 11:58:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.635464
• Title: Candidate Retention for Abductive Learning
• Title（参考訳）: 帰納的学習のための候補保持
• Abstract要約: 帰納学習は、神経知覚と象徴的推論を結合し、誘拐によって生成された説明を用いて知覚モデルを監督する。 一般的な政策では、ある候補を擬似ラベルとして選別し、これは誤った割り当てを強化したり、全ての候補を重み付けしたりし、競合するラベルに監督を広げることがある。 本稿では,これらの用語を用いて欲求付加を誘導し,その回復質量が不確実性の増加を超える場合の候補を受理するACR(Abductive Candidate Retention)を提案する。
• 参考スコア（独自算出の注目度）: 9.37019695413759
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Abductive learning combines neural perception with symbolic reasoning, using explanations generated by abduction to supervise the perception model. Multiple valid explanations of the same symbolic target can assign conflicting labels to the same inputs. Common policies select a single candidate as a pseudo-label, which may reinforce mistaken assignments, or weight all candidates, which may spread supervision across competing labels. These risks motivate selecting a retained subset to balance supervision sharpness and model-mass coverage. To guide this choice, we bound the coordinate-level supervision error using retained uncertainty, discarded model mass, and model mismatch. For a fixed model and training pair, only the first two terms depend on the retained set. We propose Abductive Candidate Retention (ACR), which uses these terms to guide greedy additions, accepting a candidate when its recovered mass exceeds the increase in retained uncertainty. Experiments show that ACR improves concept accuracy over single-candidate baselines and A3BL in most evaluated aggregated mod-addition settings. Objective ablations support the joint use of uncertainty and posterior mass.
• Abstract（参考訳）: 帰納学習は、神経知覚と象徴的推論を結合し、誘拐によって生成された説明を用いて知覚モデルを監督する。 同じシンボルターゲットの複数の有効な説明は、競合するラベルを同じ入力に割り当てることができる。 一般的な政策では、ある候補を擬似ラベルとして選別し、これは誤った割り当てを強化したり、全ての候補を重み付けしたりし、競合するラベルに監督を広げることがある。 これらのリスクは、監視のシャープネスとモデル質量カバレッジのバランスをとるために、保持されたサブセットを選択する動機となる。 この選択を導くために,不確実性,破棄されたモデル質量,モデルミスマッチを用いて座標レベルの監督誤差を限定した。 固定モデルとトレーニングペアの場合、最初の2つの項のみが保持された集合に依存します。 本稿では,これらの用語を用いて欲求付加を誘導し,その回復質量が不確実性の増加を超える場合の候補を受理するACR(Abductive Candidate Retention)を提案する。 実験により、ACRは、最も評価されたアグリゲーション・アグリゲーション・セッティングにおいて、単一候補ベースラインとA3BLよりも概念精度を向上させることが示された。 客観的アブレーションは、不確かさと後部質量の併用を補助する。

関連論文リスト

• Epistemic Learning from Imprecise Annotation [9.75434908987426]
  本稿では,クレダル集合(redal set)と呼ばれる,可塑性ラベリング分布の凸集合を監督し,予測分布の集合を学習するフレームワークを提案する。 我々は,最悪のケースとベストケースの損失を最小限に抑えるために訓練された2つの分類ヘッドと共有バックボーンを組み合わせた悲観的・最適化的クレダル分類器(POCC)を用いて,フレームワークをインスタンス化する。 POCCは、予測精度、キャリブレーション、不確実性に基づく選択的分類と競争ベースラインとの良好なバランスを達成する。
  論文  参考訳（メタデータ） (2026-09-28T04:29:52Z)
• CARE-VI: Conservative Adaptive Reliability Estimation for Value Improvement in Off-Policy Actor-Critic Learning [9.09344103114193]
  我々は、保守的適応ランク付け・スクリーニング(CARS)とセレクタ・評価値アセスメント(SEVA)を開発する。 DAREは、候補信頼性、セレクタと評価器信号のギャップ、および有限ステージ係数を用いて、各残差補正を規制する。 CARE-VIは、批評家のレグレッションとアクターのアップデートのためのバックボーンインターフェースを保存するエビデンス規制されたターゲット構築フレームワークである。
  論文  参考訳（メタデータ） (2026-09-17T11:59:43Z)
• Bias Leaves a Gradient Trail: Label-Free Bias Identification via Gradient Probes on Concept Decompositions [8.894428198928333]
  本稿では,凍結視覚モデルにおける突発的概念を識別するためのバイアスラベルのないポストホック法を提案する。 Colored MNIST と Waterbirds では、この手法は既知のスプリアスキューに沿った概念を復元する。 推論時間における上位概念の抑制は、最悪のグループ精度を最大17.9ポイント向上させる。
  論文  参考訳（メタデータ） (2026-05-27T17:39:10Z)
• LC-ERD: Mining Latent Logic for Self-Evolving Reasoning via Consistency-Regulated Reward Decomposition [55.572260012037084]
  本稿では, LC-ERD (Logic-Consistent Endogenous Reward Decomposition) を紹介する。 モデルの潜在論理エキスパートズ(Latent Logic Expertise)からのコンセンサスを集約することで、変分論理ポテンシャルを導出する。 LC-ERDは、論理の一貫性と正確性の間のトレードオフを明らかにする、堅牢な自己進化パスを提供する。
  論文  参考訳（メタデータ） (2026-05-19T07:27:50Z)
• Explicit Uncertainty Modeling for Active CLIP Adaptation with Dual Prompt Tuning [51.99383151474742]
  デュアルプロンプトチューニングに基づくアクティブCLIP適応のためのロバストな不確実性モデリングフレームワークを提案する。 提案手法は,同一のアノテーション予算の下で,既存のアクティブラーニング手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-04T09:01:55Z)
• When in Doubt, Deliberate: Confidence-Based Routing to Expert Debate for Sexism Detection [7.299050989302629]
  我々は,(i)低表現,(ii)雑音,(iii)データおよびモデル予測における概念的あいまいさの複合効果に対処する枠組みを提案する。 提案手法では,タスク EXIST 2025 タスク 1.1 では F1 が +2.72% 改善され,EDOS A と B では +4.48% と +1.30% が得られた。
  論文  参考訳（メタデータ） (2025-12-21T05:48:57Z)
• Perceive, Act and Correct: Confidence Is Not Enough for Hyperspectral Classification [22.167975466562822]
  信頼のみは、高スペクトル画像分類において誤解を招くことが多く、モデルは不確実性の認識を欠きながら、高い予測スコアを誤りを犯す傾向がある。 CABINは、知覚、行動、修正の閉ループ学習プロセスを通じて、この制限に対処する半教師付きフレームワークである。
  論文  参考訳（メタデータ） (2025-11-13T08:14:32Z)
• UPCORE: Utility-Preserving Coreset Selection for Balanced Unlearning [57.081646768835704]
  ユーザ仕様や法的フレームワークは、しばしば、大きな言語モデル(LLM)を含む、事前訓練されたモデルから削除される情報を必要とする。 これは、既に訓練済みのモデルからデータポイントのセットを削除または"偽造"する必要がある。 本研究では,非学習時の副次的損傷を軽減するための手法に依存しないデータ選択フレームワークUPCOREを提案する。
  論文  参考訳（メタデータ） (2025-02-20T22:51:10Z)
• Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
  本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
  論文  参考訳（メタデータ） (2023-03-27T07:46:58Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。