概要 - 柔軟なN-タプル弱い監督のための統一した経験的リスク最小化枠組

柔軟なN-タプル弱い監督のための統一した経験的リスク最小化枠組

2025-07-10 13:54:59

{"Shuying Huang","Junpeng Li","Changchun Hua","Yana Yang"}

{stat.ML,cs.LG}

黄淑英、李俊鹏、华长春、杨雅娜の論文は、N-tuple weekスーパービジョン学習のための統一フレームワークを提案し、スーパービジョン学習におけるアノテーションコストを削減することを目的としています。このフレームワークは、経験的风险最小化（ERM）を利用し、点wise無標識データを体系的に統合することで学習性能を向上させます。 著者らはまず、N-tupleと点wise無標識データのデータ生成プロセスを共有の確率論的表現の下に統一し、これにより、既存のN-tupleモデルの広範なクラスを一般化する無偏の経験的风险推定子を導出しました。彼らはさらに、理論的なサポートのための一般化エラー界を確立しました。 フレームワークの柔軟性を示すために、著者らは以下の4つの代表的なweekスーパービジョンシナリオに適用しました：N-tuple比較学習（NT-Comp）、N-tuple類似性と無標識学習（NSU）、混在クラスのN-tupleと点wise無標識学習（MNU）、およびすべての負でないN-tupleと点wise無標識学習（NposU）。これらのシナリオのそれぞれは、一般モデルの特別な場合として復元できます。 また、経験的风险に起因するオーバーフィッティング問題に対処するために、著者らは経験的风险を調整するために修正関数を導入し、これにより、バンチマークデータセットでの広範な実験が提案されたフレームワークの効果を確認し、点wise無標識データを活用することで、さまざまなN-tuple学習タスクにおける一般化が一貫して向上することを示しました。 論文の主要な貢献は以下の通りです： 1. 統一したN-tupleフレームワークは、全体の2N N-tupleラベル空間上でタスク依存のラベル制約を指定することで、多様なweekスーパービジョンシナリオをモデル化します。この形式は、既存の方法（例えば、NT-Comp、NSU）を包含し、自然に新しい設定（MNU、NposU）に一般化します。 2. Rademacher複雑さを使用して、統一モデルとその特別な場合の理論的な保証。これらの結果は、統計的一貫性を確認し、weekスーパービジョン制約下での学習に関する理論的洞察を提供します。 3. 多様なweekスーパービジョンタスクにおけるバンチマークデータセットでの経験的検証、提案されたフレームワークの効果と優れた一般化能力を示します。 この統一フレームワークは、概念的にシンプルで強力なN-tuple weekスーパービジョンアプローチを提供し、強い学習保証があります。実際で多様なN-tuple構造を扱うための実用的で柔軟な方法を提供し、より困難なシナリオでのフレームワークの展開のための道を開きます。