論文の概要: SmoothOperator: Enhancing Representations for Fine-grained Open-set Recognition via Modulated Label Smoothing

• arxiv url: http://arxiv.org/abs/2610.00851v1
• Date: Thu, 01 Oct 2026 00:08:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.814262
• Title: SmoothOperator: Enhancing Representations for Fine-grained Open-set Recognition via Modulated Label Smoothing
• Title（参考訳）: SmoothOperator:Modulated Label Smoothingによるきめ細かいオープンセット認識のための表現の強化
• Abstract要約: Open Set Recognition (OSR) は、未知のクラスからのサンプルを拒絶しながら、モデルが既知のクラスを正確に分類できるようにすることを目的としている。 組込み空間信号であるtextbfprominence から各サンプルの平滑化係数を設定するプラグイン SmoothOP を提案する。 本手法は,訓練のオーバーヘッドを最小限に抑えつつ,既存の4つの球面表現学習手法に統合する。
• 参考スコア（独自算出の注目度）: 5.315316451049643
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open Set Recognition (OSR) aims to enable models to accurately classify known classes while rejecting samples from unseen classes. A key challenge in OSR lies in the inability to model the unbounded distribution of unknown classes during training, often leading to the misclassification of samples from these classes. Rather than modeling unknowns, recent work shapes the feature space so that known classes are compact and well separated, and spherical representation learning methods have achieved strong results this way. Label smoothing has been identified as one of the key drivers of this success, yet it applies the same coefficient to every training sample, regardless of how well each sample is already embedded. We show that the spherical representation learning objectives used in OSR share a single alignment--uniformity structure in which labels enter only through the alignment term. Label smoothing therefore acts as an alignment dial, and a fixed coefficient sets this dial to the same value for every sample. We propose a plug-in, SmoothOperator (SmoothOP), which sets the smoothing coefficient of each sample from its \textbf{prominence}, an embedding-space signal measuring how clearly the sample's own class stands out against its strongest competing class. Our method integrates into four existing spherical representation learning methods at minimal training overhead. SmoothOP assigns strong smoothing to samples with high prominence, which reduces their alignment and relaxes their pull. On the Semantic Shift Benchmark, SmoothOP-augmented variants generally outperform their base objectives across datasets, degrees of semantic shift, and OSR post-processors, with gains of up to 4.7\% in AUROC, OSCR, and closed-set accuracy.
• Abstract（参考訳）: Open Set Recognition (OSR) は、未知のクラスからのサンプルを拒絶しながら、モデルが既知のクラスを正確に分類できるようにすることを目的としている。 OSRの重要な課題は、トレーニング中に未知のクラスの非有界分布をモデル化できないことである。 未知のクラスをモデル化するのではなく、既知のクラスがコンパクトで適切に分離された特徴空間を形成し、球面表現学習法はこのようにして大きな成果を上げている。 ラベルスムーシングは、この成功の鍵となる要因の1つとして特定されているが、各サンプルがすでにどれだけうまく埋め込まれているかに関わらず、各トレーニングサンプルに同じ係数を適用する。 我々は,OSRにおける球面表現学習の目的が,ラベルがアライメント項を通してのみ入力される単一アライメント-一様構造を共有していることを示す。 したがって、ラベルの平滑化はアライメントダイヤルとして働き、固定係数はこのダイヤルをサンプル毎に同じ値に設定する。 本稿では,SmoothOperator (SmoothOP) というプラグインを提案する。SmoothOPは,各サンプルの平滑化係数を,その最強の競合クラスに対して,標本のクラスがいかに顕著であるかを測る埋め込み空間信号である。 本手法は,訓練のオーバーヘッドを最小限に抑えつつ,既存の4つの球面表現学習手法に統合する。 SmoothOPは、高い優位性を持つサンプルに強いスムージングを割り当て、アライメントを減らし、プルを緩和する。 Semantic Shift Benchmarkでは、SmoothOPで強化された変種が、データセット、セマンティックシフトの度合い、OSRポストプロセッサで基本目標を上回っ、AUROC、OSCR、クローズドセットの精度が最大4.7%向上した。

関連論文リスト

• FB-NLL: A Feature-Based Approach to Tackle Noisy Labels in Personalized Federated Learning [2.750124853532831]
  ユーザクラスタリングを反復的なトレーニングダイナミクスから切り離す機能中心のフレームワークであるFB-NLLを提案する。 我々のフレームワークは、平均精度と性能の安定性の観点から、常に最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-04-21T17:51:58Z)
• Semantic-Aligned Learning with Collaborative Refinement for Unsupervised VI-ReID [82.12123628480371]
  教師なしの人物再識別(USL-VI-ReID)は、モデル学習のための人間のアノテーションを使わずに、同じ人物の歩行者像を異なるモードでマッチングすることを目指している。 従来の手法では、ラベルアソシエーションアルゴリズムを用いて異質な画像の擬似ラベルを統一し、グローバルな特徴学習のためのコントラスト学習フレームワークを設計していた。 本稿では,各モダリティによって強調される特定のきめ細かいパターンを対象とするSALCR(Semantic-Aligned Learning with Collaborative Refinement)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-27T13:58:12Z)
• EOL: Transductive Few-Shot Open-Set Recognition by Enhancing Outlier Logits [16.081748213657825]
  Few-Shot Learningでは、モデルがクエリセットから見えないオブジェクトを認識するように訓練されている。 本研究では,オープンセットのFew-Shot認識における,よりニュアンスで実践的な課題について検討する。
  論文  参考訳（メタデータ） (2024-08-04T15:00:22Z)
• Complementary Labels Learning with Augmented Classes [22.460256396941528]
  補完ラベル学習 (Complementary Labels Learning, CLL) は、プライベート質問分類やオンライン学習など、現実世界の多くのタスクに現れる。 CLLAC(Complementary Labels Learning with Augmented Classs)と呼ばれる新しい問題設定を提案する。 ラベルのないデータを用いて,CLLACの分類リスクの偏りのない推定手法を提案する。
  論文  参考訳（メタデータ） (2022-11-19T13:55:27Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• OpenMatch: Open-set Consistency Regularization for Semi-supervised Learning with Outliers [71.08167292329028]
  我々はOpenMatchと呼ばれる新しいオープンセットセミスーパーバイザードラーニング(OSSL)アプローチを提案する。 OpenMatchは、1-vs-all(OVA)分類器に基づいた新規検出とFixMatchを統合する。 3つのデータセットで最先端のパフォーマンスを実現し、CIFAR10の未ラベルデータで見えないアウトリーチを検出する上で、完全な教師付きモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-05-28T23:57:15Z)

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。