論文の概要: Calibrated Disambiguation for Partial Multi-label Learning

• arxiv url: http://arxiv.org/abs/2610.17635v1
• Date: Tue, 13 Oct 2026 03:04:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 18:04:24.504531
• Title: Calibrated Disambiguation for Partial Multi-label Learning
• Title（参考訳）: 部分的多言語学習のための校正的曖昧化
• Abstract要約: 部分的マルチラベル学習(PML)は、無関係なラベルに過剰アノテートされたデータセット上の分類器をトレーニングすることを目的としている。 既存の手法は、非適応重み付け関数に基づいており、最適重み付けに関する理論的ガイダンスが欠如している。 これらの問題を克服するために、PML-CDと呼ばれる校正型曖昧化モデルが提案されている。 パスカルVOC, MS-COCO, NUS-WIDE, CUBで行った実験により, 本手法が既存のPML法より優れていることを確認した。
• 参考スコア（独自算出の注目度）: 31.18506738254231
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Partial multi-label learning (PML) aims to train a classifier on datasets whose instances are over-annotated with not only relevant labels but also irrelevant labels, which is common when datasets are collected from crowd-sourcing platform. Existing works primarily approach it from a curriculum learning perspective, leveraging the memorization effect to disambiguate noisy labels and produce robust predictions. However, these methods are based on non-adaptive weighting functions and lack theoretical guidance for optimal weighting. To overcome these issues, a calibrated disambiguation model named PML-CD is proposed. We first formulate the optimal weighting function for curriculum-based disambiguation, which is equivalent to the calibration of the model's predicted confidences, thus providing guidance for curriculum designing. To obtain the optimal weighting function from PML dataset during the training, a transferable calibrator is designed, which takes the histogram of positive samples' confidences as input, and outputs the optimal curriculum weighting for training. Prototype alignment regularization is also proposed to promote the model's performance. Experiments conducted on Pascal VOC, MS-COCO, NUS-WIDE and CUB have verified that our method outperforms existing state-of-the-art PML methods.
• Abstract（参考訳）: 部分的マルチラベル学習(PML)は、関連するラベルだけでなく、関連するラベルを過剰にアノテートしたデータセット上の分類器をトレーニングすることを目的としている。 既存の研究は主にカリキュラムの学習の観点からアプローチし、暗記効果を利用してノイズラベルを曖昧にし、堅牢な予測を生成する。 しかし、これらの手法は非適応重み付け関数に基づいており、最適重み付けに関する理論的ガイダンスが欠如している。 これらの課題を克服するために,PML-CDというキャリブレーションされた曖昧さモデルを提案する。 まず、モデルが予測する信頼性の校正と等価なカリキュラムベース不明瞭度に対する最適重み付け関数を定式化し、カリキュラム設計のためのガイダンスを提供する。 トレーニング中にPMLデータセットから最適な重み付け関数を得るために、正のサンプルの自信のヒストグラムを入力とし、トレーニングのための最適なカリキュラム重み付けを出力する転写可能なキャリブレータを設計する。 また、モデルの性能を高めるために、プロトタイプアライメント正則化も提案されている。 パスカルVOC, MS-COCO, NUS-WIDE, CUBで行った実験により, 本手法が既存のPML法より優れていることを確認した。

関連論文リスト

• Prediction-Powered Semi-Supervised Learning with Online Power Tuning [25.176649368039477]
  予測パワー推論(英: Prediction-Powered Inference, PPI)は、最近提案されたパラメータ推定のための統計的推論手法である。 本研究は、モデルトレーニングのための半教師付き学習(SSL)にコアアイデアを拡張し、新しい非バイアス勾配推定器を導入する。
  論文  参考訳（メタデータ） (2025-10-26T09:01:02Z)
• Bridging Weakly-Supervised Learning and VLM Distillation: Noisy Partial Label Learning for Efficient Downstream Adaptation [51.67328507400985]
  ノイズ部分ラベル学習(NPLL)では、各トレーニングサンプルは、複数のノイズアノテータによって注釈付けされた候補ラベルのセットに関連付けられている。 本稿では、事前学習された視覚言語モデルによって注釈付けされた部分ラベルからの学習に焦点を当てる。 革新的な協調整合正則化(Co-Reg)法を提案する。
  論文  参考訳（メタデータ） (2025-06-03T12:48:54Z)
• The First Few Tokens Are All You Need: An Efficient and Effective Unsupervised Prefix Fine-Tuning Method for Reasoning Models [69.798277882245]
  大規模言語モデルの推論効率を向上させるために,Unsupervised Prefix Fine-Tuning (UPFT)を導入した。 UPFTはラベル付きデータや徹底的なサンプリングの必要性を取り除く。 実験の結果,UPFTは教師付き手法の性能と一致していることがわかった。
  論文  参考訳（メタデータ） (2025-03-04T18:56:03Z)
• Scalable Influence and Fact Tracing for Large Language Model Pretraining [14.598556308631018]
  トレーニングデータ属性(TDA)メソッドは、特定のトレーニング例にモデル出力を振り返ることを目的としている。 我々は,既存の勾配法を改良し,大規模に効果的に機能させる。 我々は、インプロンプトセットとモデルアウトプットをWebベースの可視化ツールとともにリリースし、影響力のある例を探索します。
  論文  参考訳（メタデータ） (2024-10-22T20:39:21Z)
• 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)
• Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
  異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。 トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。 広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
  論文  参考訳（メタデータ） (2024-06-07T11:37:45Z)
• Partial sequence labeling with structured Gaussian Processes [8.239028141030621]
  部分列ラベリングのための構造付きガウス過程を提案する。 予測の不確実性を符号化し、モデル選択やハイパーパラメータ学習に余分な労力を要しない。 いくつかのシーケンスラベリングタスクで評価を行い,実験結果から提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-09-20T00:56:49Z)
• Meta Objective Guided Disambiguation for Partial Label Learning [44.05801303440139]
  メタ客観的ガイド型曖昧化(MoGD)を用いたラベル学習のための新しい枠組みを提案する。 MoGDは、小さな検証セットでメタ目標を解くことで、候補ラベルから基底トラスラベルを復元することを目的としている。 提案手法は,通常のSGDを用いた様々なディープネットワークを用いて容易に実装できる。
  論文  参考訳（メタデータ） (2022-08-26T06:48:01Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。