論文の概要: Uncertainty-Aware Learning from Multi-Expert Interval Targets

• arxiv url: http://arxiv.org/abs/2610.00102v1
• Date: Tue, 08 Sep 2026 21:17:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.370968
• Title: Uncertainty-Aware Learning from Multi-Expert Interval Targets
• Title（参考訳）: マルチエキスパート・インターバル・ターゲットからの不確実性認識学習
• Abstract要約: 本稿では,個々の専門家間隔を保存し,ラベル内インプレクシデンスを専門家間の変動から分離し,対応する予測不確実性成分を検証するアプローチを提案する。 海氷濃度では、MAEは硬いラベルよりも31%減少し、凝集、インターバル分布、インターバル回帰ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 0.4199844472131921
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many machine learning (ML) applications rely on expert labels, and qualified experts may provide different but plausible interpretations of the same observation. Such variation across expert labels may reflect genuine disagreement or ambiguity rather than annotation error. When individual experts additionally report intervals rather than exact values, the supervision contains two distinct sources of label uncertainty: within-label imprecision and between-expert variation. Existing methods treat these forms separately: multi-expert approaches collapse labels to a consensus, interval-target methods often yield a single prediction, and predictive-uncertainty methods rarely validate their uncertainty estimates against observed expert disagreement. To address this problem, we propose an approach that preserves individual expert intervals, separates within-label imprecision from between-expert variation, and validates the corresponding predictive uncertainty components. First, heterogeneous label vocabularies are harmonized into a common probabilistic label space, separating encoding differences from expert judgement. Second, individual label intervals are retained and modeled with a mixture of Beta distributions trained using a proper Cramér-distance objective, preserving distinct expert-reported labels. Third, we decompose predictive uncertainty into within-component, between-component, and model uncertainty, and evaluate whether these components correspond to within-label uncertainty, between-label uncertainty, and model error, respectively. Because this correspondence is not guaranteed, we introduce decomposition matching, which aligns the predictive components to their intended label-side sources. On sea-ice concentration the model reduces MAE by 31\% over hard labels and outperforms aggregation, interval-distribution, and interval-regression baselines.
• Abstract（参考訳）: 多くの機械学習(ML)アプリケーションは専門家のラベルに依存しており、資格のある専門家は異なるが、同じ観察のもっともらしい解釈を提供するかもしれない。 このような専門家ラベル間のバリエーションは、アノテーションの誤りよりも真に不一致や曖昧さを反映している可能性がある。 個々の専門家が正確な値ではなく間隔を報告する場合、監督はラベルの不確実性の2つの異なる源、すなわちラベル内不正確さと専門家間のばらつきを含む。 既存の方法はこれらの形式を別々に扱う: マルチエキスパートは、崩壊ラベルをコンセンサスにアプローチし、インターバルターゲット法は、しばしば単一の予測を導き、予測的不確実性法は、観察された専門家の不一致に対して、その不確実性評価をほとんど検証しない。 この問題に対処するために,個別の専門家間隔を保存し,ラベル内インプレクションを専門家間の変動から分離し,対応する予測不確実性成分を検証する手法を提案する。 まず、異種ラベル語彙を共通の確率ラベル空間に調和させ、専門家の判断から符号化の違いを区別する。 第2に、個々のラベル間隔は、特定の専門家が報告したラベルを保存し、適切なクラメル距離の目標を用いて訓練されたベータ分布の混合で保持され、モデル化される。 第3に,予測の不確かさを内成分,内成分,モデル不確かさに分解し,各成分が内成分,内成分,内成分,モデル誤差に対応するか否かを評価する。 この対応は保証されないため、予測成分を目的のラベル側ソースに整合させる分解マッチングを導入する。 海氷濃度では、MAEは硬いラベルよりも31\%減少し、凝集、インターバル分布、インターバル-レグレッションベースラインを上回ります。

関連論文リスト

• How to Estimate Whether You Have Found Several Needles in a Haystack: Measuring Calibration in Multi-Label Text Classification [79.91711484993074]
  ほとんどの信頼性キャリブレーション指標はバイナリやマルチクラスのタスクを対象としていますが、マルチラベルキャリブレーションは未検討のままです。 ラベルに期待されるキャリブレーション誤差を計算するための既存のバイナリスキームは、誤りを過小評価するか、単にラベル周波数を反映するか、あるいは非常に少ないインスタンスで多くのビンに悩まされているかを示す。 本稿では,正と負のラベルの割り当てに等しい重みを与える新しいビンニング手法を提案する。
  論文  参考訳（メタデータ） (2026-09-22T14:15:54Z)
• Learning from Uncertainty-dependent Missing Labels for Semi-supervised Classification [2.5794915063815664]
  ラベルの欠落確率が観測された特徴に依存する半教師付き環境について検討する。 このような不確実性に依存しないラベルに対する可能性に基づく情報理論を開発した。
  論文  参考訳（メタデータ） (2026-08-25T01:40:47Z)
• 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)
• Rethinking Consistent Multi-Label Classification under Inexact Supervision [60.79309683889278]
  部分的マルチラベル学習では、各インスタンスには候補ラベルセットがアノテートされ、そのうちいくつかのラベルのみが関連付けられている。 補完的なマルチラベル学習では、各インスタンスは、インスタンスが属さないクラスを示す補完ラベルで注釈付けされる。
  論文  参考訳（メタデータ） (2025-10-05T08:30:32Z)
• Batch Selection for Multi-Label Classification Guided by Uncertainty and Dynamic Label Correlations [9.360376286221943]
  本研究では,不確実性に基づくマルチラベルバッチ選択アルゴリズムを提案する。 逐次予測と現在の出力の信頼度の違いを考慮し、各ラベルの不確実性を評価する。 実験により,本手法が性能向上に有効であることを実証した。
  論文  参考訳（メタデータ） (2024-12-21T07:49:26Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Learning with Proper Partial Labels [87.65718705642819]
  部分ラベル学習は、不正確なラベルを持つ弱い教師付き学習の一種である。 この適切な部分ラベル学習フレームワークには,従来の部分ラベル学習設定が数多く含まれていることを示す。 次に、分類リスクの統一的非バイアス推定器を導出する。
  論文  参考訳（メタデータ） (2021-12-23T01:37:03Z)
• Unbiased Loss Functions for Multilabel Classification with Missing Labels [2.1549398927094874]
  欠落ラベルは、極端なマルチラベル分類(XMC)タスクにおいてユビキタスな現象である。 本稿では,異なるマルチラベルリダクションに対する特異な非バイアス推定器を導出する。
  論文  参考訳（メタデータ） (2021-09-23T10:39:02Z)
• Comparing the Value of Labeled and Unlabeled Data in Method-of-Moments Latent Variable Estimation [17.212805760360954]
  我々は,メソッド・オブ・モーメント・潜在変数推定におけるモデル誤特定に着目したフレームワークを用いている。 そして、ある場合においてこのバイアスを確実に排除する補正を導入する。 理論上, 合成実験により, 特定されたモデルではラベル付点がラベル付点以上の定数に値することを示した。
  論文  参考訳（メタデータ） (2021-03-03T23:52:38Z)

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。