論文の概要: Noisy-Label Calibration with Multiple Unreliable Labels

• arxiv url: http://arxiv.org/abs/2610.19543v1
• Date: Wed, 14 Oct 2026 04:02:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.949908
• Title: Noisy-Label Calibration with Multiple Unreliable Labels
• Title（参考訳）: 複数の信頼できないラベルを用いたノイズラベル校正
• Abstract要約: 医療アノテーションやクラウドソーシングでは、複数のアノテータがそれぞれの例にラベルを割り当てるが、これらのラベルは正しくないかもしれない。 このようなノイズラベルを基底的真理として扱うと、バイアス校正評価が可能である。 そこで本研究では,固定二値予測器をクリーンラベル分布下で評価し,再検討する手法を提案する。
• 参考スコア（独自算出の注目度）: 5.296855056439798
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In medical annotation and crowdsourcing, multiple annotators assign labels to each example, but these labels may be incorrect. Treating such noisy labels as ground truth can bias calibration evaluation. To address this problem, we propose methods for evaluating and recalibrating a fixed binary predictor under the underlying clean-label distribution, using only noisy annotations. First, given annotator-specific noise probabilities, we propose Noise Corrected ECE (NC-ECE), a binned estimator of expected calibration error (ECE) under class-conditional noise. We derive non-asymptotic bounds on the estimator's bias. Then, we propose practical algorithms for estimating unknown noise probabilities under conditional independence and label-orientation assumptions. We also develop loss-based and histogram post-hoc recalibration with clean-risk and calibration guarantees, respectively. Experiments on semi-synthetic benchmarks show that the proposed ECE estimator closely tracks its clean-label oracle counterpart and that the recalibration methods substantially improve latent-label calibration, whereas uncorrected recalibration against noisy annotations can degrade it.
• Abstract（参考訳）: 医療アノテーションやクラウドソーシングでは、複数のアノテータがそれぞれの例にラベルを割り当てるが、これらのラベルは正しくないかもしれない。 このようなノイズラベルを基底的真理として扱うと、バイアス校正評価が可能である。 この問題に対処するために,ノイズの多いアノテーションのみを用いて,基礎となるクリーンラベル分布下での固定バイナリ予測器の評価と再検討を行う手法を提案する。 まず、アノテータ固有のノイズ確率を考慮し、クラス条件雑音下でのキャリブレーション誤差(ECE)を推定する結合推定器であるノイズ補正ECE(NC-ECE)を提案する。 我々は推定子のバイアスに非漸近的境界を導出する。 そこで本稿では,条件付き独立性およびラベル指向仮定の下で未知の雑音確率を推定する実用的なアルゴリズムを提案する。 また,リスクのクリーン化とキャリブレーションの保証を併用した,ロスベースとヒストグラムのポストホックリカレーションも開発した。 半合成ベンチマーク実験により,提案したECE推定器はクリーンラベルのオラクルを密に追跡し,再校正法は遅延ラベルの校正を著しく改善する一方,ノイズアノテーションに対する未修正校正は分解可能であることが示された。

関連論文リスト

• From Calibration to Refinement: Seeking Certainty via Probabilistic Evidence Propagation for Noisy-Label Person Re-Identification [40.73759251488672]
  既存のノイズロスのある人物Re-ID法は、ソフトマックス出力を用いた損失補正やサンプル選択方式に依存している。 本稿では,キャリブレーションからリファインメントへ伝播する確率的証拠を通じて確実性を求める2段階フレームワークであるCARE法を提案する。 精製段階では, クリーン試料とノイズ試料をより正確に識別できるエビデンス伝搬精製法(EPR)を設計する。
  論文  参考訳（メタデータ） (2026-02-26T15:50:15Z)
• Conformal Prediction of Classifiers with Many Classes based on Noisy Labels [22.841631892273547]
  Conformal Prediction (CP) は、分類システムの予測不確実性を制御する。 雑音ラベル付きデータに基づいて、ノイズのない共形閾値を推定する方法を示す。 ノイズ対応コンフォーマル予測 (NACP) のアプローチについて検討する。
  論文  参考訳（メタデータ） (2025-01-22T09:35:58Z)
• Inaccurate Label Distribution Learning with Dependency Noise [52.08553913094809]
  本稿では,依存雑音に基づく不正確なラベル分布学習(DN-ILDL)フレームワークを導入し,ラベル分布学習におけるノイズによる課題に対処する。 本稿では,DN-ILDLがILDL問題に効果的に対処し,既存のLCL法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-26T07:58:07Z)
• A Conformal Prediction Score that is Robust to Label Noise [13.22445242068721]
  ラベルノイズに頑健なコンフォメーションスコアを導入する。 ノイズラベル付きデータとノイズレベルを用いて、ノイズフリーコンフォメーションスコアを推定する。 提案手法は,予測セットの平均サイズにおいて,現在の手法よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-04T12:22:02Z)
• Learning to Correct Noisy Labels for Fine-Grained Entity Typing via Co-Prediction Prompt Tuning [9.885278527023532]
  FETにおける雑音補正のためのコプレディション・プロンプト・チューニングを提案する。 ラベル付きラベルをリコールするために予測結果を統合し、区別されたマージンを用いて不正確なラベルを識別する。 広範に使われている3つのFETデータセットの実験結果から,我々のノイズ補正アプローチはトレーニングサンプルの品質を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2023-10-23T06:04:07Z)
• Multi-Label Noise Transition Matrix Estimation with Label Correlations: Theory and Algorithm [73.94839250910977]
  ノイズの多いマルチラベル学習は、大規模な正確なラベルの収集によって生じる課題により、注目を集めている。 遷移行列の導入は、マルチラベルノイズをモデル化し、統計的に一貫したアルゴリズムの開発に役立つ。 そこで本稿では, アンカーポイントを必要とせずに, ラベル相関を利用した新しい推定器を提案する。
  論文  参考訳（メタデータ） (2023-09-22T08:35:38Z)
• Neighborhood Collective Estimation for Noisy Label Identification and Correction [92.20697827784426]
  ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。 近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。 提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
  論文  参考訳（メタデータ） (2022-08-05T14:47:22Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)
• A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
  ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。 人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
  論文  参考訳（メタデータ） (2020-12-22T06:36:58Z)

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。