論文の概要: Estimation of the Label-Noise Transition Matrix with Performance Guarantees via Selective Classification

• arxiv url: http://arxiv.org/abs/2609.39829v1
• Date: Wed, 30 Sep 2026 14:29:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.890252
• Title: Estimation of the Label-Noise Transition Matrix with Performance Guarantees via Selective Classification
• Title（参考訳）: 性能保証を用いたラベルノイズ遷移行列の選択的分類による推定
• Abstract要約: 本研究では,一方の選択的分類に基づいて遷移行列を推定する新しい手法を提案する。 このアプローチは、クラス後推定をバイパスし、有限サンプル性能保証を提供し、バイナリ分類のための柔軟な学習手法を活用する。
• 参考スコア（独自算出の注目度）: 16.438372738685484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern machine learning depends heavily on massive datasets, but obtaining high-quality annotations at scale is often expensive. As a result, learning from noisily-labeled data has become common, making accurate estimation of the label-noise transition matrix crucial. However, existing transition matrix estimators rely on the fragile estimation of class-posteriors and do not provide finite-sample performance guarantees. In this work, we propose a novel methodology to estimate the transition matrix based on one-sided selective classification. This approach bypasses class-posterior estimation, provides finite-sample performance guarantees, and leverages flexible learning methods for binary classification. Moreover, we introduce effective algorithms to implement the proposed methodology and provide their refined finite-sample performance bounds.
• Abstract（参考訳）: 現代の機械学習は大量のデータセットに大きく依存するが、高品質なアノテーションを大規模に取得することは、しばしばコストがかかる。 その結果、ノイズラベル付きデータからの学習が一般的になり、ラベルノイズ遷移行列の正確な推定が重要となった。 しかし、既存の遷移行列推定器は、クラスポストの脆弱な推定に依存しており、有限サンプル性能保証を提供していない。 本研究では,一方の選択的分類に基づいて遷移行列を推定する新しい手法を提案する。 このアプローチは、クラス後推定をバイパスし、有限サンプル性能保証を提供し、バイナリ分類のための柔軟な学習手法を活用する。 さらに,提案手法の実装に有効なアルゴリズムを導入し,改良された有限サンプル性能境界を提供する。

関連論文リスト

• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• Estimating class separability of text embeddings with persistent homology [1.9956517534421363]
  本稿では、トポロジ的観点からテキストデータセットのクラス分離性を推定する教師なし手法を提案する。 本手法を応用して, 組込みの分離性向上を図り, トレーニングプロセスが停止した場合の検知方法について述べる。 その結果,本手法のクラス分離性の推定値と教師付き手法のクラス分離性の推定値が一致していることが示唆された。
  論文  参考訳（メタデータ） (2023-05-24T10:58:09Z)
• Active Weighted Aging Ensemble for Drifted Data Stream Classification [2.277447144331876]
  概念ドリフトは分類モデルの性能を不安定化し、その品質を著しく低下させる。 提案手法は実データストリームと実データストリームの両方を用いて計算機実験により評価されている。 その結果,提案アルゴリズムは最先端手法よりも高品質であることが確認された。
  論文  参考訳（メタデータ） (2021-12-19T13:52:53Z)
• Learning Noise Transition Matrix from Only Noisy Labels via Total Variation Regularization [88.91872713134342]
  本稿では,雑音遷移行列を推定し,同時に分類器を学習する理論的基礎付け手法を提案する。 提案手法の有効性を,ベンチマークおよび実世界のデータセットを用いた実験により示す。
  論文  参考訳（メタデータ） (2021-02-04T05:09:18Z)
• Provably End-to-end Label-Noise Learning without Anchor Points [118.97592870124937]
  本稿では,アンカーポイントを使わずにラベルノイズ学習を実現するためのエンドツーエンドフレームワークを提案する。 提案フレームワークでは,クリーンなクラス後確率が十分に分散している場合,遷移行列を同定できる。
  論文  参考訳（メタデータ） (2021-02-04T03:59:37Z)
• Dual T: Reducing Estimation Error for Transition Matrix in Label-noise Learning [157.2709657207203]
  遷移行列を推定する既存の方法は、ノイズのあるクラス後部を推定することに大きく依存している。 雑音のクラス後部を直接推定するのを避けるために中間クラスを導入する。 この中間クラスにより、元の遷移行列は2つの容易に推定できる遷移行列の積に分解できる。
  論文  参考訳（メタデータ） (2020-06-14T05:48:20Z)
• Meta Transition Adaptation for Robust Deep Learning with Noisy Labels [61.8970957519509]
  本研究では,新しいメタ遷移学習戦略を提案する。 具体的には、クリーンなラベル付きメタデータの小さなセットのサウンドガイダンスにより、ノイズ遷移行列と分類器パラメータを相互に改善することができる。 本手法は, 従来技術よりも頑健な性能で, 遷移行列をより正確に抽出することができる。
  論文  参考訳（メタデータ） (2020-06-10T07:27:25Z)

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。