論文の概要: Rethinking Learning from Label Proportions via Moment Matching

• arxiv url: http://arxiv.org/abs/2610.21262v1
• Date: Thu, 15 Oct 2026 04:58:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.196215
• Title: Rethinking Learning from Label Proportions via Moment Matching
• Title（参考訳）: モーメントマッチングによるラベル分布からの学習の再考
• Abstract要約: ラベルパーセンテージ(LLP)からの学習は、トレーニングデータをバッグに分類し、バッグレベルのラベルパーセンテージのみを観察する弱い教師付き環境である。 モーメントマッチング(LLP-MM)によるLPPを提案する。
• 参考スコア（独自算出の注目度）: 53.344609839548035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning from label proportions (LLP) is a weakly supervised setting where training data are grouped into bags with only bag-level label proportions observed, and the goal is to learn a classifier that predicts labels for individual instances. Recently, a large body of methods has emerged; however, most of them rely on the assumption that instance-label pairs are sampled i.i.d. and randomly assembled into bags, an assumption often violated in real-world scenarios. Our experimental results indicate that these methods perform suboptimally under non-random settings. In this work, we adopt a more realistic assumption: bags are sampled i.i.d., and instance labels are conditionally independent given the instances. Under this setting, we show that the label counts follow a Poisson multinomial distribution. Motivated by this observation, we propose LLP via moment matching (LLP-MM), a simple yet effective approach which leverages multi-order factorial moments as training objectives, encouraging the classifier predictions to match these moments and thereby more fully exploit the underlying statistical structure of the data. Extensive experiments on benchmark datasets under various bag construction strategies demonstrate the effectiveness of our approach while maintaining high computational efficiency. Our code is available at https://github.com/TianhaoMa5/LLP-MM.
• Abstract（参考訳）: ラベルパーセンテージ(LLP)からの学習は、トレーニングデータをバッグレベルのラベルパーセンテージのみを観察したバッグにグループ化する弱い教師付き設定であり、個々のインスタンスのラベルを予測する分類器を学習することを目的としている。 近年、多くの手法が出現しているが、多くの場合、実世界のシナリオでは、インスタンスとラベルのペアがサンプル化され、ランダムにバッグに組み立てられるという仮定に依存している。 実験結果から,これらの手法は非ランダムな条件下で準最適に動作することが示唆された。 この研究では、より現実的な仮定が採用されている: バッグはサンプル化され、インスタンスラベルはインスタンスから条件的に独立である。 この条件下では、ラベルカウントはポアソン多項分布に従うことを示す。 本研究の目的は,多次因子モーメントをトレーニング目的として活用し,これらのモーメントに適合する分類器の予測を奨励し,データの基盤となる統計的構造をより完全に活用する,単純かつ効果的な手法である,モーメントマッチング(LLP-MM)によるLPPを提案することである。 各種バッグ構築戦略に基づくベンチマークデータセットの大規模実験により,高い計算効率を維持しつつ,本手法の有効性を実証した。 私たちのコードはhttps://github.com/TianhaoMa5/LLP-MMで利用可能です。

関連論文リスト

• Learning from Label Proportions with Dual-proportion Constraints [17.13458769732192]
  LLP(Learning from Label Proportions)は、トレーニングデータがバッグ、すなわちインスタンスのグループから構成される弱い教師付き問題である。 この設定は、プライバシ制約がインスタンスレベルのアノテーションへのアクセスを制限する場合や、きめ細かいラベル付けがコストがかかる場合、あるいは実用的でない場合、広く適用されます。 トレーニング中の2値比制約(LLP-DC)を利用して,バッグレベルとインスタンスレベルの両方で実施する手法を提案する。
  論文  参考訳（メタデータ） (2026-03-22T10:08:12Z)
• Learning from Label Proportions and Covariate-shifted Instances [12.066922664696445]
  ラベル比(LLP)から学ぶ場合、アグリゲートラベルはバッグ内のインスタンスラベルの平均である。 我々は,対象のバッグラベルとソースのインスタンスラベルを自然に組み込むハイブリッドLPの手法を開発した。
  論文  参考訳（メタデータ） (2024-11-19T08:36:34Z)
• Disambiguated Attention Embedding for Multi-Instance Partial-Label Learning [68.56193228008466]
  多くの実世界のタスクでは、関連するオブジェクトは、候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現することができる。 既存のMIPLアプローチは、各インスタンスに拡張候補ラベルセットを割り当て、インスタンスレベルのラベルからバッグレベルのラベルを集約することで、インスタンス空間のパラダイムに従っている。 本稿では,DEMIPLという直感的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-26T13:25:17Z)
• Instance-Dependent Partial Label Learning [69.49681837908511]
  部分ラベル学習は、典型的には弱教師付き学習問題である。 既存のほとんどのアプローチでは、トレーニングサンプルの間違ったラベルがランダムに候補ラベルとして選択されていると仮定している。 本稿では,各例が実数で構成された潜在ラベル分布と関連していると仮定する。
  論文  参考訳（メタデータ） (2021-10-25T12:50:26Z)
• Fast learning from label proportions with small bags [0.0]
  ラベルパーセンテージ(LLP)から学ぶ場合、インスタンスはバッグにグループ化され、トレーニングバッグの相対クラスパーセンテージが与えられたインスタンス分類器を学習する。 本研究では,全ての一貫したラベルの組み合わせを明示的に考慮し,より効率的なアルゴリズムを設計できる小袋の事例に焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-07T13:11:18Z)
• Dash: Semi-Supervised Learning with Dynamic Thresholding [72.74339790209531]
  我々は、ラベルのない例を使ってモデルをトレーニングする半教師付き学習(SSL)アプローチを提案する。 提案手法であるDashは、ラベルなしデータ選択の観点から適応性を享受する。
  論文  参考訳（メタデータ） (2021-09-01T23:52:29Z)
• Certainty Pooling for Multiple Instance Learning [0.6299766708197883]
  我々は、モデル確実性をバッグ予測に組み込んだ、textbfCertainty Poolingと呼ばれる新しいプール演算子を提案する。 本手法は,バッグレベルとインスタンスレベルの予測において,特に小規模なトレーニングセットのみが利用できる場合において,他の手法よりも優れる。
  論文  参考訳（メタデータ） (2020-08-24T16:38:46Z)

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。