論文の概要: CAVA: Complementary-Label-Aware Data Valuation
- arxiv url: http://arxiv.org/abs/2610.26734v1
- Date: Mon, 19 Oct 2026 17:00:37 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:03:36.817497
- Title: CAVA: Complementary-Label-Aware Data Valuation
- Title（参考訳）: CAVA:Complementary-Label-Aware Data Valuation
- Abstract要約: 補完ラベル学習は、インスタンスが属していないクラスを名付けるラベルから分類器を訓練する。
本稿では, 相補的ラベルコストと相補的ラベルの輸送電位への寄与を分離するラベルマージンを導入したCAVAを提案する。
クリーンな検証データのごく一部で、評価対象のすべてのCLLも改善され、補完的な監視のセマンティクスが明示的にモデル化されると、OTベースの評価が信頼性を高めます。
- 参考スコア（独自算出の注目度）: 8.797289510993414
- License:
- Abstract: Complementary-label learning (CLL) trains a classifier from labels that name a class an instance does not belong to. Such labels are cheap to collect from crowdworkers or vision-language models (VLMs), making them attractive for large-scale annotation. However, both sources can mistakenly assign the true class as the complementary label. Such annotation errors are particularly harmful in CLL because the model is explicitly trained to suppress the correct answer. Optimal transport (OT) data valuation identifies harmful samples by comparing training data with a clean validation set, but transferring it directly to CLL creates a semantic mismatch: label $c$ means not class $c$ in the training but class $c$ in the validation. We show that this makes the OT label groups noisy mixtures whose behavior depends on the noise rate. The transferred score is informative only at sufficiently high noise, becomes uninformative at the crossover rate $1/M$ for $M$ classes, and reverses below it, where practical CLL annotation typically operates. We propose CAVA, which introduces a complementary label cost and a label margin that isolates the contribution of each complementary label to the transport potential. The margin keeps a consistent direction across noise rates, detects diagonal noise with a parameter-free threshold of closed-form precision, and allows detected samples to be recycled as ordinary-label supervision. On synthetic and human-annotated benchmarks, CAVA separates diagonal noise almost perfectly where directly transferred OT valuation performs worse than random. With only a fraction of the clean validation data, it also improves every CLL objective we evaluate, showing that OT-based valuation becomes reliable once the semantics of complementary supervision are modeled explicitly.
- Abstract（参考訳）: 補完ラベル学習 (Complementary-label Learning, CLL) は、インスタンスが属さないクラスを名付けるラベルから分類器を訓練する。
このようなラベルは、クラウドワーカーや視覚言語モデル(VLM)からの収集が安価であり、大規模なアノテーションとして魅力的である。
しかし、両方のソースは誤って真のクラスを補完ラベルに割り当てる。
このようなアノテーションエラーは、モデルが正しい回答を抑えるために明示的に訓練されているため、CLLでは特に有害である。
最適なトランスポート(OT)データバリュエーションは、トレーニングデータとクリーンな検証セットを比較して有害なサンプルを識別するが、CLLに直接転送するとセマンティックなミスマッチが発生する。
その結果,音速に依存するOTラベル群が混在していることが判明した。
伝達されたスコアは十分な高ノイズでのみ情報化され、M$クラスで1/M$のクロスオーバーレートで非形式化され、実際的なCLLアノテーションが通常動作する場合、その下に反転する。
本稿では, 相補的ラベルコストと相補的ラベルの輸送電位への寄与を分離するラベルマージンを導入したCAVAを提案する。
マージンはノイズレートをまたいで一貫した方向を維持し、パラメータフリーなクローズドフォーム精度のしきい値で対角騒音を検出し、検出されたサンプルを通常のラベル監視としてリサイクルすることができる。
合成および人間による注釈付きベンチマークでは、CAVAは直接転送されたOT評価がランダムよりも悪くなる対角騒音をほぼ完全に分離する。
クリーンな検証データのごく一部で、評価対象のすべてのCLLも改善され、補完的な監視の意味が明示的にモデル化されると、OTベースの評価が信頼性を高めます。
関連論文リスト
- Robust Classification with Noisy Labels Based on Posterior Maximization [4.550290285002704]
本稿では最近,教師付き分類のために提案された目的関数の$f$-divergenceに基づくクラスにおけるラベルノイズに対する頑健さについて検討する。
ラベルノイズの存在下では、$f$-PMLの目的関数のいずれかを補正して、クリーンデータセットで学習した関数と同等のニューラルネットワークが得られることを示す。
論文 参考訳（メタデータ） (2025-04-09T11:52:51Z) - Label-Retrieval-Augmented Diffusion Models for Learning from Noisy
Labels [61.97359362447732]
ノイズの多いラベルからの学習は、実際のアプリケーションのための機械学習において、重要かつ長年にわたる問題である。
本稿では,生成モデルの観点からラベルノイズ問題を再構成する。
我々のモデルは、標準的な実世界のベンチマークデータセットで新しいSOTA(State-of-the-art)結果を達成する。
論文 参考訳（メタデータ） (2023-05-31T03:01:36Z) - Class Prototype-based Cleaner for Label Noise Learning [73.007001454085]
半教師付き学習法は、雑音ラベル学習問題に対する現在のSOTAソリューションである。
textbfClass textbfPrototype-based label textbfCleaner。
論文 参考訳（メタデータ） (2022-12-21T04:56:41Z) - 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) - 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) - 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。