論文の概要: Geometric Consistency Based Label-Free Validation for Checkpoint Selection in Audio Active Learning

• arxiv url: http://arxiv.org/abs/2610.35329v1
• Date: Mon, 26 Oct 2026 12:26:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.920649
• Title: Geometric Consistency Based Label-Free Validation for Checkpoint Selection in Audio Active Learning
• Title（参考訳）: 音響アクティブ学習におけるチェックポイント選択のための幾何学的一貫性に基づくラベルフリー検証
• Abstract要約: チェックポイント選択のためのラベルなし検証ルールである幾何整合性を提案する。 チェックポイントは擬似ラベルとの合意とラベル付きセットのクロスエントロピーによってスコアされる。 ラベルを付けずにラベル付けする手法の中で、ラベル付け曲線の下の領域で最高のランクを獲得し、予算外検証セットと同等である。
• 参考スコア（独自算出の注目度）: 9.755734517503319
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Audio active learning (AL) trains a classifier at low annotation cost by labeling only an informative fraction of an unlabeled collection over successive rounds. Each round picks one of the checkpoints saved during training. Mainstream AL protocols do so with an assumed validation set, but in practice its labels also count toward the annotation cost, shrinking the advantage of an already small annotation budget. We propose geometric consistency, a label-free validation rule for checkpoint selection. Both classifiers, nearest-class-mean and k-nearest-neighbor, are built from the labeled set in a frozen pretrained embedding space. They then predict the unlabeled data to model its geometry. The rule scores each checkpoint by its agreement with these pseudo-labels and its cross-entropy on the labeled set. It works with any query strategy, has one hyperparameter, insensitive in practice, and adds only one batched forward pass over the unlabeled data per round. At matched label budgets across datasets, encoders, and query strategies, it attains the best mean rank in area under the labeling curve (AULC) among methods without extra labels and is on par with an out-of-budget validation set. To our knowledge, this is the first systematic study of label-free validation for checkpoint selection in audio AL.
• Abstract（参考訳）: 音声アクティブラーニング(AL)は、連続するラウンドに対してラベル付けされていないコレクションの情報のみをラベル付けすることで、低アノテーションコストで分類器を訓練する。 各ラウンドは、トレーニング中に保存されたチェックポイントの1つを選択する。 メインストリームALプロトコルは、仮定された検証セットでそれを行うが、実際には、ラベルはアノテーションコストも考慮し、既に小さなアノテーション予算の利点を減らしている。 チェックポイント選択のためのラベルなし検証ルールである幾何整合性を提案する。 最寄りのクラス平均とk-アネレスト隣接の2つの分類器は、凍結した事前訓練された埋め込み空間にラベル付きセットから構築されている。 そして、ラベルのないデータを予測して、その幾何学をモデル化する。 このルールは、これらの擬似ラベルとラベル付きセット上の相互エントロピーとの一致によって各チェックポイントをスコアする。 任意のクエリ戦略で動作し、1つのハイパーパラメータを持ち、実際には無神経で、1ラウンド当たりのラベル付きデータに1回のバッチ転送のみを追加する。 データセット、エンコーダ、クエリ戦略間で一致したラベル予算において、ラベル付け曲線(AULC)の下では、余分なラベルのないメソッドの中で最高の平均ランクに達し、予算外検証セットと同等である。 我々の知る限り、これは音声ALにおけるチェックポイント選択のためのラベルなし検証に関する最初の体系的な研究である。

関連論文リスト

• CAVA: Complementary-Label-Aware Data Valuation [8.797289510993414]
  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。
  論文  参考訳（メタデータ） (2026-10-19T17:00:37Z)
• Efficient Online Set-valued Classification with Bandit Feedback [10.882001129426726]
  クラス固有の粒度のカバレッジ保証を提供するBandit Class-specific Conformal Prediction (BCCP)を提案する。 BCCPは、各イテレーションで少ないラベルでラベル付けされたデータの課題を克服し、オンライン意思決定環境への適合予測の信頼性と適用性を一般化する。
  論文  参考訳（メタデータ） (2024-05-07T15:14:51Z)
• Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
  部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。 誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-18T09:09:52Z)
• Partial-Label Regression [54.74984751371617]
  部分ラベル学習は、弱い教師付き学習環境であり、各トレーニング例に候補ラベルのセットをアノテートすることができる。 部分ラベル学習に関する従来の研究は、候補ラベルがすべて離散的な分類設定のみに焦点を当てていた。 本稿では,各トレーニング例に実値付き候補ラベルのセットをアノテートした部分ラベル回帰を初めて検討する。
  論文  参考訳（メタデータ） (2023-06-15T09:02:24Z)
• Complementary Classifier Induced Partial Label Learning [54.61668156386079]
  部分ラベル学習(PLL)では、各トレーニングサンプルは候補ラベルのセットに関連付けられ、そのうち1つのみが有効である。 曖昧さでは、既存の研究は通常、非候補ラベルセットの有効性を十分に調査しない。 本稿では,非候補ラベルを用いて補完的分類器を誘導し,従来の分類器に対する逆関係を自然に形成する。
  論文  参考訳（メタデータ） (2023-05-17T02:13:23Z)
• CroSel: Cross Selection of Confident Pseudo Labels for Partial-Label Learning [14.077121555766398]
  部分ラベル学習(Partial-label Learning, PLL)は, 弱い教師付き学習問題である。 モデルからの履歴予測を利用して,ほとんどのトレーニング例で真のラベルを識別するCroSelと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-18T08:48:16Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• 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)

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。