論文の概要: Anomaly-ranked confirmation slows new-class learning

• arxiv url: http://arxiv.org/abs/2611.03250v1
• Date: Mon, 02 Nov 2026 14:58:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 05:31:19.016907
• Title: Anomaly-ranked confirmation slows new-class learning
• Title（参考訳）: 異常ランク確認は新学級学習を遅くする
• Abstract要約: 異常検知器は専門家の確認のために馴染みの無い例をランク付けする。 確認された例は、新しいクラスを認識するために分類器を教える。 3つのシステムでは、新しいクラスの上位メンバーの確認は、同じ数のランダムメンバーの確認よりも低い認識を与える。
• 参考スコア（独自算出の注目度）: 0.030711289594892558
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detectors rank unfamiliar examples for expert confirmation, and the confirmed examples teach a classifier to recognise a new class. Across five benchmarks from physics, medicine and computer vision, the members flagged by the detector are those the classifier learns first. In three systems, confirming the highest-ranked members of a new class gives lower recognition than confirming the same number of random members. Handing subsequent selection to the promoted classifier recovers part of this loss in two systems. A paired intervention further shows that replacing nearby known classes with distant ones sharply reduces the confirmations needed for recognition. These results distinguish finding a new class from selecting examples that teach its extent: within the tested classes, concentrating confirmations at the top of the anomaly ranking makes learning less efficient.
• Abstract（参考訳）: 異常検知器は専門家の確認のために馴染みの無い例をランク付けし、確認された例は分類器に新しいクラスを認識するように教える。 物理学、医学、コンピュータビジョンの5つのベンチマークで、検出器によってフラグ付けされたメンバーは、分類器が最初に学習するものである。 3つのシステムでは、新しいクラスの上位メンバーの確認は、同じ数のランダムメンバーの確認よりも低い認識を与える。 その後の選択を昇格した分類器に渡すと、2つのシステムでこの損失の一部を回復する。 ペアによる介入は、近隣の既知のクラスを遠くのクラスに置き換えることによって、認識に必要な確認が大幅に削減されることを示している。 これらの結果は、テストされたクラスの中で、異常ランキングのトップの確認に集中することにより、学習の効率が低下する、という、その範囲を示すサンプルを選択することから、新しいクラスを見つけることを区別する。

関連論文リスト

• FunnelAL: Retrieve-then-Rank Active Learning for Single-Class Discovery [0.0]
  本研究では,一級発見のための検索ランク能動学習システムFunnelALを提案する。 産業レコメンデーションシステムの多段階ファンネルアーキテクチャをデータアノテーションに適合させる。
  論文  参考訳（メタデータ） (2026-07-28T04:26:26Z)
• Generalization Bounds for Few-Shot Transfer Learning with Pretrained Classifiers [26.844410679685424]
  本研究では,新しいクラスに移動可能な分類の表現を基礎モデルで学習する能力について検討する。 クラス-機能-変数の崩壊の場合,新しいクラスで学習した特徴マップのわずかな誤差が小さいことを示す。
  論文  参考訳（メタデータ） (2022-12-23T18:46:05Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• Long-tail Recognition via Compositional Knowledge Transfer [60.03764547406601]
  末尾クラスの少数ショット問題に対処する長尾認識のための新しい戦略を導入する。 我々の目標は、情報に富んだ共通クラスから得られた知識を、意味的に類似しているがデータに富む稀なクラスに伝達することである。 実験結果から,本手法は稀なクラスにおいて,堅牢な共通クラス性能を維持しつつ,大幅な性能向上を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-12-13T15:48:59Z)
• Discriminative Distillation to Reduce Class Confusion in Continual Learning [57.715862676788156]
  クラス混乱は、連続学習における分類性能の低下に寄与する。 本稿では,クラス間の識別的特徴を適切に学習する上で,識別的蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-11T12:46:43Z)
• Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
  オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。 最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。 本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
  論文  参考訳（メタデータ） (2021-04-19T09:39:30Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Predicting Classification Accuracy When Adding New Unobserved Classes [8.325327265120283]
  そこで本研究では,より大規模で未観測のクラスに対して,期待する精度を推定するために,分類器の性能をどのように利用することができるかを検討する。 ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
  論文  参考訳（メタデータ） (2020-10-28T14:37:25Z)

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。