Fugu-MT 論文翻訳(概要): A Topological Signature of Learning under Noisy Labels

論文の概要: A Topological Signature of Learning under Noisy Labels

arxiv url: http://arxiv.org/abs/2610.23491v1
Date: Fri, 16 Oct 2026 14:04:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-20 00:56:07.946094
Title: A Topological Signature of Learning under Noisy Labels
Title（参考訳）: 騒音ラベルによる学習のトポロジ的意義
Abstract要約: 劣化ラベルとの一致が低い場合でも,ノイズ管理が幾何的シグネチャとなることを示す。スケールコントロール下での永続化とラベル適合の測定を比較することで、表現がラベルの破損にどのように反応するかを研究することができる。
参考スコア（独自算出の注目度）: 20.005222554116017
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: How does noisy supervision change the representations learned by a neural network? Training accuracy measures agreement with training labels but provides little information about representation geometry. We use persistent homology to track loop structure across distance thresholds in neural activations. Experiments span image classification, text classification, and modular arithmetic. On a fixed CIFAR-10/ResNet-18 training probe, equally sized clean-label and corrupted-label subsets show no detectable persistence difference at epoch 10, whereas corrupted-label subsets have higher persistence at epoch 50. The contrast survives uniform-scale controls, even though predictions match the assigned noisy labels for only 7-11% of corrupted probe examples at that checkpoint. Normalisation preserves the crossover between clean and noisy training trajectories on CIFAR-10/ResNet-18, whereas CIFAR-100/ResNet-18 shows no crossover under any of the five evaluated constructions. In a separate noise-rate calibration comparison across five pipelines, mean activation norm achieves a higher mean in-sample R2 than raw persistence (0.936 versus 0.908). These findings show that noisy supervision leaves a measurable geometric signature even when agreement with corrupted labels is low. Comparing persistence under scale controls with label-fitting measurements offers a way to study how representations respond to label corruption beyond what training accuracy reveals.
Abstract（参考訳）: ニューラルネットで学んだ表現をどのように変えるのか? トレーニング精度はトレーニングラベルと一致するが、表現幾何学に関する情報はほとんど得られない。我々は、ニューラルアクティベーションにおける距離閾値のループ構造を追跡するために、永続的ホモロジーを用いる。実験は画像分類、テキスト分類、モジュラー演算にまたがる。固定されたCIFAR-10/ResNet-18トレーニングプローブでは、同じ大きさのクリーンラベルと破損ラベルのサブセットは、エポック10では検出可能な永続性差がないが、破損ラベルのサブセットはエポック50では高い永続性を示す。コントラストは均一なスケールの制御を継続するが、そのチェックポイントでの破損したプローブのサンプルのわずか7-11%で、割り当てられたノイズラベルに一致している。 CIFAR-10/ResNet-18では、CIFAR-100/ResNet-18では、CIFAR-10/ResNet-18では、CIFAR-10/ResNet-18におけるクリーンなトレーニング軌道とノイズの多いトレーニング軌道の交叉が保たれている。 5つのパイプライン間でのノイズレート校正比較では、平均アクティベーションノルムは生の持続時間(0.936対0.908)よりも平均R2を達成する。これらの結果から, 騒音管理は, 劣化ラベルとの一致が低い場合でも, 測定可能な幾何的シグネチャを残していることが明らかとなった。スケールコントロール下での永続化とラベル適合測定を比較することは、トレーニング精度が示す以上のラベルの破損に対する表現がどのように反応するかを研究する手段を提供する。

関連論文リスト

Bounded Adjustment with Reliability-Guided Embedding for Imbalanced Learning with Noisy Labels [7.047239027940408]
本稿では,BARGE (Bounded Adjustment with Reliability-Guided Embeddings) を導入する。 CIFAR-10, CIFAR-100, Tiny ImageNetで, 長期・ステップ不均衡, クリーンラベル, 20%, 40%のランダムな不正ラベル置換条件下で評価を行った。
論文参考訳（メタデータ） (2026-09-14T21:41:28Z)
Phase Transition Frequency as a Training Time Predictor of Test Accuracy in ResNets [0.0]
ResNetファインタニング中に観測された個別のクラスセパビリティジャンプ数について実験的に検討した。 75以上の実験では、標準の分類ベンチマークで強いデータセット内負の相関が得られた。
論文参考訳（メタデータ） (2026-09-04T14:28:57Z)
Radial-Angular Geometry for Reliable Update Diagnosis in Noisy-Label Learning [3.6771547306155523]
本報告では, 信頼性評価をラベル更新の診断として再放送する。相対幾何学的衝突(Relative Geometric Conflict)は、大きなが整列したハードクリーンな更新と、破損したラベルによる大きな競合する更新を区別するのに役立つ。
論文参考訳（メタデータ） (2026-05-17T12:50:16Z)
Reliable Active Learning from Unreliable Labels via Neural Collapse Geometry [5.1511135538176]
アクティブラーニング(AL)は、情報的なサンプルを優先順位付けすることでアノテーションのコストを削減することを約束するが、ラベルがうるさい場合やデータ分散がシフトした場合、その信頼性は低下する。本稿では,深層ネットワークの創発的幾何学的規則性を活用し,信頼できない監視に対処するフレームワークである能動学習(NCAL-R)を提案する。
論文参考訳（メタデータ） (2025-10-10T17:50:31Z)
A noisy elephant in the room: Is your out-of-distribution detector robust to label noise? [49.88894124047644]
我々は、最先端のOOD検出方法20について詳しく検討する。不正に分類されたIDサンプルとOODサンプルの分離が不十分であることを示す。
論文参考訳（メタデータ） (2024-04-02T09:40:22Z)
DSLA: Dynamic smooth label assignment for efficient anchor-free object detection [18.043176234010517]
アンカーフリー検出器は、基本的にオブジェクト検出を密な分類と回帰として定式化する。局所化の質を推定するために、個別の予測分岐を導入するのが一般的である。分類と品質評価の実践を掘り下げると、以下の矛盾が観測される。
論文参考訳（メタデータ） (2022-08-01T12:56:44Z)
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)
Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文参考訳（メタデータ） (2021-10-22T01:55:01Z)
A Theory-Driven Self-Labeling Refinement Method for Contrastive Representation Learning [111.05365744744437]
教師なしのコントラスト学習は、正のイメージの作物と、負のイメージの作物とをラベル付けする。本研究は, コントラスト学習において, 不正確なラベル割り当てがセマンティック・インスタンス識別の一般化を著しく損なうことを最初に証明する。この理論に触発されて、コントラスト学習のための新しい自己ラベル改善手法を提案する。
論文参考訳（メタデータ） (2021-06-28T14:24:52Z)
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)
Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
論文参考訳（メタデータ） (2020-02-11T21:08:06Z)

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。