Fugu-MT 論文翻訳(概要): FedBST: Bilateral Self-Training for Unsupervised Federated Classification

論文の概要: FedBST: Bilateral Self-Training for Unsupervised Federated Classification

arxiv url: http://arxiv.org/abs/2610.30634v1
Date: Thu, 22 Oct 2026 02:56:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-24 02:08:44.194297
Title: FedBST: Bilateral Self-Training for Unsupervised Federated Classification
Title（参考訳）: FedBST: 監督されていないフェデレーション分類のための双方向の自己評価
Abstract要約: FedBSTは高信頼と曖昧なデータの両方を利用する。局所最適化のために,不確実性を考慮した信頼度ペナル化を導入する。推論には視覚テキストアンサンブル戦略を用いる。
参考スコア（独自算出の注目度）: 18.319508821733205
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Unsupervised federated learning with Vision-Language Models (e.g., CLIP) offers a promising solution for label-free classification, yet its performance often degrades under severe non-IID shifts. A pioneering method, FedCoPL, typically relies on self-training strategies that exclusively prioritize high-confidence predictions for pseudo-labeling. However, this selective approach neglects the information of ambiguous samples (often referred to as ``waist" samples), leading to the underutilization of data and biased decision boundaries. To address this limitation, we propose FedBST, a bilateral self-training framework that effectively exploits both high-confidence and ambiguous data. Specifically, for local optimization, we introduce uncertainty-aware confidence penalization (UACP). UACP targets ambiguous samples by penalizing overconfident predictions to implicitly promote higher uncertainty, thereby preventing erroneous pseudo-labeling. At inference, we employ a visual-text ensemble strategy. This approach aggregates uncertainty-aware local visual prototypes and ensembles them with textual prototypes, achieving lightweight adaptation to local distributions via prototype-based calibration. Experiments demonstrate that FedBST achieves consistent improvements over existing methods with standard federated aggregation protocols.
Abstract（参考訳）: ビジョンランゲージモデル(例えばCLIP)による教師なしのフェデレーション学習は、ラベルなし分類のための有望なソリューションを提供するが、その性能は厳しい非IIDシフトの下で劣化することが多い。先駆的手法であるFedCoPLは、通常、擬似ラベルの高信頼予測のみを優先する自己学習戦略に依存している。しかし、この選択的なアプローチは曖昧なサンプルの情報を無視し、データやバイアスのある決定境界を未利用にする。この制限に対処するため、我々は高信頼と曖昧なデータの両方を効果的に活用する双方向の自己学習フレームワークであるFedBSTを提案する。具体的には,局所最適化のために,不確実性認識型信頼度ペナリゼーション(UACP)を導入する。 UACPは不明瞭なサンプルをターゲットにし、過信予測をペナルティ化し、高い不確実性を暗示的に促進し、誤った擬似ラベルを防止している。推論には視覚テキストアンサンブル戦略を用いる。このアプローチは、不確実性を認識したローカルビジュアルプロトタイプを集約し、テキストプロトタイプとアンサンブルすることで、プロトタイプベースのキャリブレーションにより、ローカルディストリビューションへの軽量な適応を実現する。実験により、FedBSTは標準のフェデレーションアグリゲーションプロトコルで既存の手法よりも一貫した改善を実現していることが示された。

関連論文リスト

Epistemic Learning from Imprecise Annotation [9.75434908987426]
本稿では,クレダル集合(redal set)と呼ばれる,可塑性ラベリング分布の凸集合を監督し,予測分布の集合を学習するフレームワークを提案する。我々は,最悪のケースとベストケースの損失を最小限に抑えるために訓練された2つの分類ヘッドと共有バックボーンを組み合わせた悲観的・最適化的クレダル分類器(POCC)を用いて,フレームワークをインスタンス化する。 POCCは、予測精度、キャリブレーション、不確実性に基づく選択的分類と競争ベースラインとの良好なバランスを達成する。
論文参考訳（メタデータ） (2026-09-28T04:29:52Z)
When Confidence Fails: Revisiting Pseudo-Label Selection in Semi-supervised Semantic Segmentation [15.149171763610662]
本稿では,信頼分布特徴空間内の凸最適化問題として,信頼分離学習(CSL)を提案する。 CSLは、信頼分布特徴空間内の凸最適化問題として擬似ラベル選択を定式化する。 CSLは最先端の手法に対して良好に機能することを示す。
論文参考訳（メタデータ） (2025-09-20T14:23:09Z)
Learning from Similarity-Confidence and Confidence-Difference [0.07646713951724009]
複数の視点から補完的な弱監督信号を利用する新しい弱監視学習(WSL)フレームワークを提案する。具体的には,2種類の弱いラベルを統合する手法であるSconfConfDiff Classificationを紹介する。両推定器が推定誤差境界に対して最適収束率を達成することを証明した。
論文参考訳（メタデータ） (2025-08-07T07:42:59Z)
Uncertainty-guided Open-Set Source-Free Unsupervised Domain Adaptation with Target-private Class Segregation [22.474866164542302]
UDAアプローチはソースとターゲットドメインが同じラベル空間を共有していると一般的に仮定する。本稿では、SF-OSDA(Source-Free Open-set Domain Adaptation)設定の課題について考察する。本稿では,サンプルを複数の未知のクラスに分離することで,ターゲット・プライベートカテゴリの粒度を利用したSF-OSDAの新しい手法を提案する。
論文参考訳（メタデータ） (2024-04-16T13:52:00Z)
Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
論文参考訳（メタデータ） (2023-10-19T12:59:55Z)
Binary Classification with Confidence Difference [100.08818204756093]
本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
論文参考訳（メタデータ） (2023-10-09T11:44:50Z)
When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
論文参考訳（メタデータ） (2023-07-06T04:13:57Z)
Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文参考訳（メタデータ） (2020-12-16T04:09:04Z)
Two-phase Pseudo Label Densification for Self-training based Domain Adaptation [93.03265290594278]
TPLDと呼ばれる,新規な二相擬似ラベル高密度化フレームワークを提案する。第1フェーズでは,スライディングウインドウ投票を用いて,画像内の内在的空間相関を利用して,自信のある予測を広める。第2フェーズでは,信頼度に基づく容易な分類を行う。トレーニングプロセスの容易化と騒音予測の回避を目的として,ブートストラップ機構の導入を行った。
論文参考訳（メタデータ） (2020-12-09T02:35:25Z)

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。