論文の概要: Multi-Objective Evolutionary Semi-Supervised Learning for Resource-Aware Smart City Classification

• arxiv url: http://arxiv.org/abs/2610.27703v1
• Date: Tue, 20 Oct 2026 06:21:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.672427
• Title: Multi-Objective Evolutionary Semi-Supervised Learning for Resource-Aware Smart City Classification
• Title（参考訳）: 資源を考慮したスマートシティ分類のための多目的進化的半教師付き学習
• Abstract要約: 半教師付き学習(SSL)は、ラベル付きデータとラベルなしデータの両方を利用して、限られた監督下での分類を改善する。 本稿では、軽量な半教師付き表層分類のための多目的進化的アプローチであるMOEA-SSLについて述べる。
• 参考スコア（独自算出の注目度）: 0.11458853556386794
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Smart-city applications often combine scarce labeled data with abundant unlabeled observations. Semi-supervised learning (SSL) exploits both labeled and unlabeled data to improve classification under limited supervision. This article presents MOEA-SSL, a multi-objective evolutionary approach for lightweight semi-supervised tabular classification that jointly optimizes predictive quality and feature usage. Experimental evaluation on three Smart City classification datasets, considering 1\%, 5\%, and 10\% labeled data, shows that MOEA-SSL achieves competitive predictive performance compared with established lightweight SSL methods while significantly reducing feature usage relative to EA-SSL in all evaluated conditions. The computed Pareto fronts also provide lower-feature-use alternatives with limited degradation in classification performance.
• Abstract（参考訳）: スマートシティアプリケーションは、希少なラベル付きデータと豊富なラベルなしの観測を組み合わせることが多い。 半教師付き学習(SSL)は、ラベル付きデータとラベルなしデータの両方を利用して、限られた監督下での分類を改善する。 本稿では,予測品質と特徴量とを協調的に最適化する,軽量な半教師付き表型分類のための多目的進化的アプローチMOEA-SSLを提案する。 3つのスマートシティ分類データセット(1\%, 5\%, 10\%ラベル付きデータ)を実験的に評価したところ、MOEA-SSLは、確立された軽量SSL方式と比較して競合予測性能を達成し、すべての評価条件においてEA-SSLと比較して機能使用率を著しく低下させることが示された。 計算されたParetoフロントはまた、分類性能の低下を限定した低機能な代替手段を提供する。

関連論文リスト

• Hierarchical Semi-Supervised Active Learning for Remote Sensing [20.305328912143054]
  半教師付き学習(SSL)と新しい階層型アクティブ学習(HAL)を統合した階層型半教師付きアクティブラーニング(HSSAL)フレームワークを提案する。 各イテレーションでSSLは、教師付き学習と弱い自己学習を通じてラベル付きデータとラベルなしデータの両方を使用してモデルを洗練し、特徴表現の改善と不確実性推定を行う。 UCM、AID、NWPU-RESISC45を含む3つのベンチマークRSシーン分類データセットの実験は、HSSALがSSLまたはALのみのベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-11-22T13:25:42Z)
• Few-Shot Inspired Generative Zero-Shot Learning [14.66239393852298]
  ジェネレーティブゼロショット学習(ZSL)法は通常、目に見えないクラスの視覚的特徴を合成する。 FSIGenZは,大規模特徴合成への依存度を低減した,数発のショットインスパイアされた生成型ZSLフレームワークである。 SUN、AwA2、CUBベンチマークの実験は、FSIGenZがはるかに少ない合成機能を使用して競合性能を達成することを示した。
  論文  参考訳（メタデータ） (2025-06-18T02:39:36Z)
• Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
  わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。 本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。 本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
  論文  参考訳（メタデータ） (2025-03-28T07:23:07Z)
• SeMi: When Imbalanced Semi-Supervised Learning Meets Mining Hard Examples [54.760757107700755]
  Semi-Supervised Learning (SSL)は、豊富なラベルのないデータを活用して、モデルのパフォーマンスを向上させる。 実世界のシナリオにおけるクラス不均衡なデータ分散は、SSLに大きな課題をもたらし、結果としてパフォーマンスが低下する。 マイニングハードケース(SeMi)による不均衡半教師学習の性能向上手法を提案する。
  論文  参考訳（メタデータ） (2025-01-10T14:35:16Z)
• A Channel-ensemble Approach: Unbiased and Low-variance Pseudo-labels is Critical for Semi-supervised Classification [61.473485511491795]
  半教師付き学習(SSL)はコンピュータビジョンにおける実践的な課題である。 Pseudo-label (PL) メソッド、例えば FixMatch や FreeMatch は SSL で State of The Art (SOTA) のパフォーマンスを取得する。 本稿では,複数の下位PLを理論的に保証された非偏りと低分散のPLに集約する,軽量なチャネルベースアンサンブル法を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:49:37Z)
• PercentMatch: Percentile-based Dynamic Thresholding for Multi-Label Semi-Supervised Classification [64.39761523935613]
  トレーニング中の各クラスに対する正と負の擬似ラベルのスコア閾値を動的に変更するためのパーセンタイルベースのしきい値調整手法を提案する。 近年のSSL方式と比較して, Pascal VOC2007 と MS-COCO のデータセットの性能は高い。
  論文  参考訳（メタデータ） (2022-08-30T01:27:48Z)
• Collaborative Intelligence Orchestration: Inconsistency-Based Fusion of Semi-Supervised Learning and Active Learning [60.26659373318915]
  アクティブラーニング(AL)と半教師付きラーニング(SSL)は2つの効果があるが、しばしば孤立している。 本稿では、SSL-ALの潜在的な優位性をさらに調査するために、革新的な一貫性に基づく仮想aDvErialアルゴリズムを提案する。 2つの実世界のケーススタディは、提案したデータサンプリングアルゴリズムの適用と展開の実践的な産業価値を可視化する。
  論文  参考訳（メタデータ） (2022-06-07T13:28:43Z)
• A Realistic Evaluation of Semi-Supervised Learning for Fine-Grained Classification [38.68079253627819]
  本ベンチマークは, avesおよびfungi分類のクラスをサンプリングして得られた2つの細粒度分類データセットからなる。 最近提案されたSSLメソッドは大きなメリットをもたらし、深いネットワークがゼロから訓練されたときにクラス外のデータを効果的にパフォーマンスを向上させることができます。 我々の研究は、現実的データセットの専門家による半教師付き学習は、現在文学で普及しているものとは異なる戦略を必要とする可能性があることを示唆している。
  論文  参考訳（メタデータ） (2021-04-01T17:59:41Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)

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。