論文の概要: Hub for Outliers, Spokes for Inliers: Uniform Latent Space Construction for Dual-Mismatched Semi-Supervised Learning
- arxiv url: http://arxiv.org/abs/2610.07610v1
- Date: Tue, 06 Oct 2026 01:55:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.751725
- Title: Hub for Outliers, Spokes for Inliers: Uniform Latent Space Construction for Dual-Mismatched Semi-Supervised Learning
- Title（参考訳）: インリヤのためのハブ, インリヤのためのスポークス:デュアルミスマッチ型半教師付き学習のための一様潜在空間構築
- Abstract要約: 半教師付き学習では、ラベル付きデータとラベルなしデータは同一のクラス分布とラベル空間を共有していると仮定する。
ラベルのないデータは不均衡であり、未知のクラスサンプルを含み、クラス分布とラベル空間の両方にミスマッチを引き起こす。
本稿では,既知のクラスが中央ハブを中心に均一に分散し,各クラスがそのプロトタイプの周囲にコンパクトなクラスタを形成する,ハブスポーク潜時幾何学を提案する。
この幾何学は最終的に、構成された特徴組織を通して多数クラスの支配を緩和し、不確実な未知のクラスサンプルをハブへ導くことにより、特徴識別性と不確実性分離を促進させる。
- 参考スコア（独自算出の注目度）: 48.054425371003475
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semi-supervised learning typically assumes that labeled and unlabeled data share an identical class distribution and label space. However, this setting is often violated: unlabeled data may be imbalanced and contain unknown class samples, causing mismatches in both class distribution and label space. Such dual mismatch leads to majority classes dominating the latent space and unknown class samples being overconfidently misclassified, degrading feature discriminability and pseudo-label quality. To address this, we propose a hub-spoke latent geometry, where known classes are uniformly distributed around a central hub and each class forms compact clusters around its prototype, while the hub provides an anchor for a low-evidence region specifically designed for high-uncertainty unknown class samples. Integrated with an evidence-based classifier, this geometry ultimately enhances feature discriminability and uncertainty separation by mitigating majority-class domination through structured feature organization and guiding high-uncertainty unknown class samples toward the hub. Extensive experiments show that our method outperforms state-of-the-art methods, with a maximum improvement of 3.25% across various settings.
- Abstract（参考訳）: 半教師付き学習は通常、ラベル付きデータとラベルなしデータは同一のクラス分布とラベル空間を共有していると仮定する。
ラベルのないデータは不均衡であり、未知のクラスサンプルを含んでいて、クラス分布とラベル空間の両方でミスマッチを引き起こします。
このような二重ミスマッチは、潜在空間を支配し、未知のクラスサンプルが過度に誤って分類され、特徴識別性と擬似ラベルの品質が低下する。
そこで本研究では,既知のクラスが中央ハブを中心に均一に分散し,各クラスがプロトタイプの周囲にコンパクトなクラスタを形成し,ハブが高不確実な未知のクラスサンプル用に特別に設計された低エビデンス領域のアンカーを提供する,ハブ・スポーク潜時幾何学を提案する。
この幾何学はエビデンスに基づく分類器と統合され、最終的に、構造化された特徴組織を通して多数派支配を緩和し、不確実な未知のクラスサンプルをハブに向けて導くことにより、特徴識別性と不確実性分離を強化する。
実験の結果,提案手法は最先端の手法よりも優れており,様々な設定で最大3.25%向上していることがわかった。
関連論文リスト
- Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。
本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。
本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
論文 参考訳（メタデータ） (2025-03-28T07:23:07Z) - Shrinking Class Space for Enhanced Certainty in Semi-Supervised Learning [59.44422468242455]
そこで我々はShrinkMatchと呼ばれる新しい手法を提案し、不確実なサンプルを学習する。
それぞれの不確実なサンプルに対して、元の Top-1 クラスを単に含むスランク類空間を適応的に求める。
次に、スランク空間における強と弱に強化された2つのサンプル間の整合正則化を課し、識別的表現を試みます。
論文 参考訳（メタデータ） (2023-08-13T14:05:24Z) - Deep Simplex Classifier for Maximizing the Margin in Both Euclidean and
Angular Spaces [18.309720578916146]
本稿では,ユークリッド空間と角空間の両辺を同時に最大化する新しい分類損失を提案する。
提案手法は,その単純さに拘わらず,オープンセット認識における最先端の精度を実現する。
論文 参考訳（メタデータ） (2022-12-22T14:37:47Z) - Towards Unbiased Multi-label Zero-Shot Learning with Pyramid and
Semantic Attention [14.855116554722489]
マルチラベルゼロショット学習は、各入力サンプルに対して、複数の未確認クラスのラベルを認識することを目的としている。
本稿では,多様なクラス固有の領域を考慮し,非バイアス付きマルチラベルゼロショット学習の枠組みを提案する。
論文 参考訳（メタデータ） (2022-03-07T15:52:46Z) - Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。
これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
論文 参考訳（メタデータ） (2021-06-20T17:34:55Z) - Distribution-Aware Semantics-Oriented Pseudo-label for Imbalanced
Semi-Supervised Learning [80.05441565830726]
本稿では,疑似ラベルの重み付けがモデル性能に悪影響を及ぼすような,不均衡な半教師付き学習に対処する。
本稿では,この観測の動機となるバイアスに対処する,一般的な擬似ラベルフレームワークを提案する。
不均衡SSLのための新しい擬似ラベルフレームワークを、DASO(Distributed-Aware Semantics-Oriented Pseudo-label)と呼ぶ。
論文 参考訳（メタデータ） (2021-06-10T11:58:25Z) - Entropy-Based Uncertainty Calibration for Generalized Zero-Shot Learning [49.04790688256481]
一般化ゼロショット学習(GZSL)の目的は、目に見えないクラスと見えないクラスの両方を認識することである。
ほとんどのGZSLメソッドは、通常、見えないクラスの意味情報から視覚表現を合成することを学ぶ。
本論文では,三重項損失を持つ2重変分オートエンコーダを利用する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-01-09T05:21:27Z) - Hybrid Models for Open Set Recognition [28.62025409781781]
オープンセット認識は、トレーニングセット内のどのクラスにも属さないサンプルを検出するために分類器を必要とする。
本稿では,入力データを結合埋め込み空間にエンコードするエンコーダと,サンプルを不整クラスに分類する分類器と,フローベース密度推定器からなるOpenHybridを提案する。
標準オープンセットベンチマークの実験では、エンドツーエンドの訓練されたOpenHybridモデルは最先端の手法やフローベースのベースラインを大きく上回っている。
論文 参考訳（メタデータ） (2020-03-27T16:14:27Z)
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。