論文の概要: Diversity Without Labels: Task-Agnostic Coreset Selection Across Perception and Action
- arxiv url: http://arxiv.org/abs/2610.23642v1
- Date: Fri, 16 Oct 2026 15:43:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.995261
- Title: Diversity Without Labels: Task-Agnostic Coreset Selection Across Perception and Action
- Title（参考訳）: ラベルのない多様性: 知覚と行動にまたがるタスク非依存のコアセットの選択
- Abstract要約: CoreDNAは教師なし、タスクに依存しないコアセット推定手法である。
視覚基盤モデルからニューロンの活性化を、画像ごとの分布とデータセットごとの分布にプールする。
各イメージの分布とデータセットレベルの分布を比較することで、CoreDNAは低レベルの視覚構造と高レベルのセマンティック情報の両方をキャプチャできる。
- 参考スコア（独自算出の注目度）: 24.357934695645493
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While data collection for model training is relatively easy, curating high-quality datasets from large collections is inherently challenging. Coreset estimation methods address this problem by identifying the best data subsets to train models on. However, existing approaches often require proxy model training, extensive annotations, or task-specific tailoring. Unsupervised alternatives typically exploit geometric properties in foundation model feature spaces, but are limited to pairwise image-to-image comparisons or comparisons against a fixed subset. We introduce CoreDNA, an unsupervised, task-agnostic coreset estimation approach that pools neuron activations from vision foundation models into per-image and per-dataset distributions. By comparing each image's distribution to the dataset-level distribution, CoreDNA can capture both low-level visual structure and high-level semantic information across layers. We find that high-quality samples concentrate in the tails of the last layer's activation statistics, which we validate by relating them to training-based coreset methods. Building on these findings, we develop a computationally efficient selection mechanism to construct task-agnostic, high-quality coresets for selective annotation and model training. Across image classification, semantic segmentation, depth estimation, and imitation learning for end-to-end driving and mobile manipulation, CoreDNA matches or outperforms the state of the art, demonstrating unprecedented generalization across perception and action tasks. These results highlight the effectiveness of compact activation-based representations for data selection.
- Abstract（参考訳）: モデルトレーニングのためのデータ収集は比較的容易であるが、大規模なコレクションから高品質なデータセットをキュレートすることは本質的に困難である。
コアセット推定手法は、モデルをトレーニングする最適なデータサブセットを特定することでこの問題に対処する。
しかし、既存のアプローチでは、しばしばプロキシモデルのトレーニング、広範囲のアノテーション、タスク固有の調整が必要である。
教師なしの代替案は、一般に基礎モデルの特徴空間における幾何学的性質を利用するが、画像対画像比較や固定部分集合との比較に制限される。
視覚基盤モデルからニューロンの活性化を画像単位とデータセット単位の分布にプールする,教師なし,タスクに依存しないコアセット推定手法であるCoreDNAを紹介する。
各イメージの分布とデータセットレベルの分布を比較することで、CoreDNAは低レベルの視覚構造と層間の高レベルのセマンティック情報の両方をキャプチャできる。
高品質なサンプルは最終層のアクティベーション統計の尾部に集中しており、これらをトレーニングベースのコアセット手法に関連付けて検証する。
これらの知見に基づいて,タスクに依存しない,高品質なコアセットを選択的アノテーションとモデルトレーニングのために構築する,計算効率のよい選択機構を開発した。
画像分類、セマンティックセグメンテーション、深度推定、そしてエンドツーエンドの運転と移動操作のための模倣学習、CoreDNAは最先端技術に適合または優れ、認識と行動タスクをまたいだ前例のない一般化を示す。
これらの結果は,データ選択のためのコンパクトなアクティベーションベース表現の有効性を強調した。
関連論文リスト
- SAS: Semantic-aware Sampling for Generative Dataset Distillation [55.27114962330541]
本稿では,コントラスト言語-画像事前学習(CLIP)をポストサンプリングのセマンティクスとして活用することで,データセット蒸留のセマンティック・アウェア・パースペクティブを導入する。
我々のゴールは、コンパクトであるだけでなく、意味的にクラス差別的で多様である蒸留データセットを得ることです。
論文 参考訳（メタデータ） (2026-05-18T08:05:46Z) - Learning Multi-Indicator Weights for Data Selection: A Joint Task-Model Adaptation Framework with Efficient Proxies [50.39041754816285]
本稿では、下流タスクと特定のモデルの両方にデータ選択を併用する多変数重み学習フレームワークを提案する。
提案手法は,GSM8Kのトレーニングサンプルの30%しか使用せず,フルデータセットチューニングに匹敵する性能を実現する。
論文 参考訳（メタデータ） (2026-05-10T17:30:16Z) - Ranking pre-trained segmentation models for zero-shot transferability [3.0496043297705424]
十分なトレーニングデータをラベル付けする膨大なコストは、ディープラーニングの使用において大きなボトルネックになります。
セグメンテーションタスクとインスタンスセグメンテーションタスクのための最初の教師なし転送可能性推定器を提案する。
本手法は,顕微鏡モダリティにまたがる複数のセグメンテーション問題に対して評価を行う。
論文 参考訳（メタデータ） (2025-03-01T11:11:06Z) - Investigating Self-Supervised Methods for Label-Efficient Learning [27.029542823306866]
低撮影能力のためのコントラスト学習、クラスタリング、マスク付き画像モデリングなど、さまざまな自己教師付きプレテキストタスクについて検討する。
マスク画像モデリングとクラスタリングの両方をプリテキストタスクとして含むフレームワークを導入する。
実規模データセット上でモデルをテストした場合,マルチクラス分類,マルチラベル分類,セマンティックセマンティックセグメンテーションにおける性能向上を示す。
論文 参考訳（メタデータ） (2024-06-25T10:56:03Z) - Foundation Model Makes Clustering A Better Initialization For Cold-Start Active Learning [5.609241010973952]
コールドスタート能動学習のためのサンプルを選択するために,基礎モデルとクラスタリング手法を統合することを提案する。
ファンデーションモデルは、自己管理パラダイムによってトレーニングされた大量のデータセットを指す。
総合的な比較のために、埋め込みを取得するための古典的なImageNet教師付きモデルを含む。
論文 参考訳（メタデータ） (2024-02-04T16:27:37Z) - Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。
画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。
オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文 参考訳（メタデータ） (2023-07-07T04:03:48Z) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳（メタデータ） (2022-07-17T07:05:39Z) - Transferability Estimation using Bhattacharyya Class Separability [37.52588126267552]
トランスファーラーニング(Transfer Learning)は、コンピュータビジョンにおいて事前訓練されたモデルを活用する一般的な方法である。
特定の目標タスクに適した事前学習されたソースモデルを定量化することは困難である。
本稿では,ソースモデルとターゲットデータセット間の転送可能性の定量化手法を提案する。
論文 参考訳（メタデータ） (2021-11-24T20:22:28Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z) - Gradient-Induced Co-Saliency Detection [81.54194063218216]
Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。
本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
論文 参考訳（メタデータ） (2020-04-28T08:40:55Z) - Improving Learning Effectiveness For Object Detection and Classification
in Cluttered Backgrounds [6.729108277517129]
本稿では,異種乱雑な背景の学習データセットを自律的に生成するフレームワークを開発する。
提案するフレームワークの学習効率は,複雑で異種な環境で改善されるべきである。
提案フレームワークの性能を実証実験により検討し,COCOデータセットを用いてトレーニングしたモデルと比較した。
論文 参考訳（メタデータ） (2020-02-27T22:28:48Z)
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。