MIATTs を用いた LAF ベースの評価および UTTL ベースの学習戦略

arXiv:2604.20944v1 発表タイプ：クロス 要約：多くの実世界における機械学習 (ML) アプリケーションにおいて、曖昧さや主観的情報の存在により、真のターゲットを正確に定義することが困難です。この課題に対処するため、現実世界において ML タスクの真のターゲットが客観的に存在すると仮定しない条件下で、EL-MIATTs（多様な不正確な真のターゲットを用いた評価と学習）フレームワークが提案されました。EL-MIATTs の実装における理論と実践を架橋するために、本論文では、相互補完的な 2 つのメカニズムを開発しました：MIATTs 上で LAF（論理評価式）に基づく評価アルゴリズムと、MIATTs 上で UTTL（定義不能な真のターゲット学習）に基づく学習戦略。これらにより、不確かな監督下においても論理的に整合性があり、実用可能なモデル化が可能になります。まず、タスク固有の MIATTs を分析し、その被覆と多様性が構造的性質を決定するとともに、下流の評価と学習にどのような影響を与えるかを検証します。この理解に基づき、解釈性、整合性、完全性をバランスさせるため、原始 MIATTs またはそれらから合成された三元ターゲット上で動作する LAF に基づく評価アルゴリズムを構築します。モデルトレーニングについては、Dice 損失関数とクロスエントロピー損失関数を用いた UTTL に基づく学習戦略を導入し、各ターゲットごとの最適化と集計最適化 schemes を比較します。さらに、LAF と UTTL の統合が論理的意味と統計最適化のギャップをどう埋めるかについても議論します。これらのコンポーネントは、EL-MIATTs の実装における整合的なアプローチを提供し、「真実」という概念が本質的に不確かな状況における ML システム開発のための原理的な基礎となります。本研究の結果を応用した具体例は、https://www.qeios.com/read/EZWLSN に掲載されています。

arXiv:2604.20944v1 Announce Type: cross Abstract: In many real-world machine learning (ML) applications, the true target cannot be precisely defined due to ambiguity or subjectivity information. To address this challenge, under the assumption that the true target for a given ML task is not assumed to exist objectively in the real world, the EL-MIATTs (Evaluation and Learning with Multiple Inaccurate True Targets) framework has been proposed. Bridging theory and practice in implementing EL-MIATTs, in this paper, we develop two complementary mechanisms: LAF (Logical Assessment Formula)-based evaluation algorithms and UTTL (Undefinable True Target Learning)-based learning strategies with MIATTs, which together enable logically coherent and practically feasible modeling under uncertain supervision. We first analyze task-specific MIATTs, examining how their coverage and diversity determine their structural property and influence downstream evaluation and learning. Based on this understanding, we formulate LAF-grounded evaluation algorithms that operate either on original MIATTs or on ternary targets synthesized from them, balancing interpretability, soundness, and completeness. For model training, we introduce UTTL-grounded learning strategies using Dice and cross-entropy loss functions, comparing per-target and aggregated optimization schemes. We also discuss how the integration of LAF and UTTL bridges the gap between logical semantics and statistical optimization. Together, these components provide a coherent pathway for implementing EL-MIATTs, offering a principled foundation for developing ML systems in scenarios where the notion of "ground truth" is inherently uncertain. An application of this work's results is presented as part of the study available at https://www.qeios.com/read/EZWLSN.