論文の概要: Constructing Structured Decision Sources for Consensus-Based Pseudo-Label Learning
- arxiv url: http://arxiv.org/abs/2610.11621v1
- Date: Thu, 08 Oct 2026 10:00:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.941201
- Title: Constructing Structured Decision Sources for Consensus-Based Pseudo-Label Learning
- Title（参考訳）: 合意に基づく擬似ラベル学習のための構造的決定源の構築
- Abstract要約: 同じ境界を繰り返す複数のモデルは、追加情報なしで追加の投票を提供する。
クラス内構造に制御された変化を通して決定源を構成することでこの問題に対処する。
結果から,コンセンサスに基づく擬似ラベル学習における重要な設計問題として,モデルカウントのみではなく,ソース構築を同定した。
- 参考スコア（独自算出の注目度）: 1.345015073321922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Consensus can make pseudo-label learning more reliable, but only when its predictors contribute genuinely different evidence. Multiple models that repeat the same boundary provide additional votes without additional information. We address this problem by con structing decision sources through controlled changes to within-class structure. Starting from a shared graph representation, we vary center granularity and neighborhood mixing, reproduce each resulting source to test its stability, and select a complementary subset using node pair coassignment. Unanimous predictions from the selected sources are then ranked for student training. On the public fixed splits of Cora, CiteSeer, and PubMed, evaluated with five random seeds, the constructed sources improve fixed-budget training pseudo-label precision by 1.19 to 4.39 percentage points over three conventionally initialized GCN sources. Under matched structural filters, three-source consensus is more precise than each constituent source in all 45 dataset slot eed comparisons. The gains are strongest in pseudo-label quality: downstream accuracy remains competitive but does not lead on every dataset. These results identify source construction rather than model count alone as an important design problem for consensus-based pseudo-label learning.
- Abstract（参考訳）: コンセンサスは、擬似ラベル学習をより信頼できるものにするが、予測者が真に異なる証拠を提示する時だけに限られる。
同じ境界を繰り返す複数のモデルは、追加情報なしで追加の投票を提供する。
クラス内構造に制御された変化を通して決定源を構成することでこの問題に対処する。
共有グラフ表現から、中心の粒度と近傍の混合を変化させ、それぞれのソースを再生して安定性をテストし、ノードペアの割り当てを用いて補足部分を選択する。
選択した情報源からの全体予測は、学生の訓練のためにランク付けされる。
The public fixed splits of Cora, CiteSeer, and PubMed, evaluate with five random seed, constructed sources improve fixed-budget training pseudo-label precision of 1.19 to 4.39 percentage points on three conventionally initialized GCN sources。
一致する構造フィルタの下では、45個のデータセットのeedの比較において、各構成元よりも3ソースのコンセンサスの方がより正確である。
ダウンストリームの精度は依然として競争力があるが、すべてのデータセットに導いていない。
これらの結果は,コンセンサスに基づく擬似ラベル学習における重要な設計問題として,モデルカウントのみではなく,ソース構築を同定する。
関連論文リスト
- Not All Nodes Are Created Equal: Homophily-Aware Stratification for Stable GNN Evaluation [5.880659774011303]
グラフニューラルネットワークは、トランスダクティブノード分類に広く利用されている。
hp は位相対応の層状化処理であり、ノードのホモフィリーを一次層状化軸として扱う。
hpは、ランダムな$k$-foldの2.31と比較して平均安定性ランクが1.49であり、15データセットの13の平均安定性ランクが最低である。
論文 参考訳（メタデータ） (2026-09-16T11:27:08Z) - Fidelity-Diversity-Consistency (FDC): Data Pruning for Remote Sensing Change Detection [1.771620608771373]
ビルおよび森林変動データセット、CNNおよびトランスフォーマーベースモデル、および3つのプルーニング予算にまたがる6つの代表DP手法をベンチマークした。
最も評価の高いベースラインであるFeature Diversityでさえ、ランダムにサンプリングされたサブセットの$sim$33%と一致または超える。
そこで本研究では,これらの知見をFDC (Fidelity-Diversity-Consistency) に変換する。
論文 参考訳（メタデータ） (2026-08-22T03:33:03Z) - A Fuzzy Rule-based Neuro-Symbolic Approach for Pipe Severity Prediction in Sewer Networks [0.0]
本研究では、このギャップを象徴的推論から神経知覚を分離することで橋渡しするモジュラーでファジィな規則に基づくニューロシンボリック・フレームワークを導入する。
推論のために、DT、特にウェカのJ48アルゴリズムは、接地規則のCODEと重度ラベルに基づいて訓練され、その経路は19の固定IF-THENルールに変換される。
全体として、このフレームワークは、競合するクラスバランスのパフォーマンスと予測されたCODE学位からのトレース可能な推論を組み合わせることで、ルールサポートと重大さのエビデンスを実現している。
論文 参考訳（メタデータ） (2026-07-30T16:33:26Z) - Differentiated Information Mining: A Semi-supervised Learning Framework for GNNs [3.618594702345118]
非ラベルデータを用いたグラフニューラルネットワーク(GNN)のための半教師付き学習(SSL)では、相互独立な相互検証決定因子を導入し、擬似ラベル確認バイアスとトレーニング崩壊を緩和する効果的な戦略とみなす。
本稿では,1つの情報ソースから微分因子を導出し,その一貫性を強制する微分因子一貫性半教師フレームワーク(DiFac)を提案する。
論文 参考訳（メタデータ） (2025-08-12T09:14:42Z) - Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。
本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。
我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
論文 参考訳（メタデータ） (2024-10-08T15:06:10Z) - Trusted Multi-view Learning under Noisy Supervision [20.668620759102115]
本稿では,ノイズラベルのガイダンスに基づき,信頼度の高い多視点学習モデルを構築する手法を提案する。
TMNRは明らかなディープニューラルネットワークを使用して、信念と不確実性の両方を捉えるビュー固有の意見を構築する。
TMNR2は、エビデンスラベルの整合性を通じて、潜在的に誤ラベルされたサンプルを特定し、近隣の情報から擬似ラベルを生成する。
論文 参考訳（メタデータ） (2024-04-18T06:47:30Z) - JointMatch: A Unified Approach for Diverse and Collaborative
Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。
擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。
我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
論文 参考訳（メタデータ） (2023-10-23T05:43:35Z) - Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。
そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
論文 参考訳（メタデータ） (2023-04-04T03:48:56Z) - Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。
半教師付き長尾認識という新しい認識設定を提案する。
2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
論文 参考訳（メタデータ） (2021-05-01T00:43:38Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z) - Neural Ensemble Search for Uncertainty Estimation and Dataset Shift [67.57720300323928]
ニューラルネットワークのアンサンブルは、データセットシフトに対する精度、不確実性キャリブレーション、堅牢性の観点から、スタンドアロンネットワークよりも優れたパフォーマンスを実現する。
本稿では,アンサンブルをアンサンブルで自動構築する2つの手法を提案する。
得られたアンサンブルは、精度だけでなく、不確実なキャリブレーションやデータセットシフトに対する堅牢性の観点からも、深いアンサンブルよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-06-15T17:38:15Z)
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。