論文の概要: A Graph-Based Approach for Active Learning in Regression

• arxiv url: http://arxiv.org/abs/2001.11143v1
• Date: Thu, 30 Jan 2020 00:59:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 11:36:26.787822
• Title: A Graph-Based Approach for Active Learning in Regression
• Title（参考訳）: 回帰におけるアクティブラーニングのためのグラフベースアプローチ
• Authors: Hongjing Zhang, S. S. Ravi, Ian Davidson
• Abstract要約: アクティブラーニングは、ラベルのないプールから最も重要なデータポイントに注釈を付けることで、ラベル付けの労力を減らすことを目的としている。 回帰法における既存のアクティブラーニングのほとんどは、各アクティブラーニングイテレーションで学習した回帰関数を使用して、クエリする次の情報ポイントを選択する。 本稿では,新しい二部グラフ最適化問題として,逐次およびバッチモードのアクティブレグレッションを定式化する特徴に着目したアプローチを提案する。
• 参考スコア（独自算出の注目度）: 37.42533189350655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active learning aims to reduce labeling efforts by selectively asking humans to annotate the most important data points from an unlabeled pool and is an example of human-machine interaction. Though active learning has been extensively researched for classification and ranking problems, it is relatively understudied for regression problems. Most existing active learning for regression methods use the regression function learned at each active learning iteration to select the next informative point to query. This introduces several challenges such as handling noisy labels, parameter uncertainty and overcoming initially biased training data. Instead, we propose a feature-focused approach that formulates both sequential and batch-mode active regression as a novel bipartite graph optimization problem. We conduct experiments on both noise-free and noisy settings. Our experimental results on benchmark data sets demonstrate the effectiveness of our proposed approach.
• Abstract（参考訳）: アクティブラーニングは、ラベルのないプールから最も重要なデータポイントに注釈を付けることでラベル付けの労力を減らすことを目的としており、人間と機械の相互作用の一例である。 アクティブラーニングは分類問題やランキング問題のために広範囲に研究されてきたが、回帰問題については相対的に研究されていない。 回帰法の既存のアクティブラーニングのほとんどは、各アクティブラーニングイテレーションで学んだ回帰関数を使用して、クエリする次の情報ポイントを選択する。 これにより、ノイズラベルの扱い、パラメータの不確実性、初期バイアスのあるトレーニングデータの克服など、いくつかの課題が発生する。 代わりに,新しい2成分グラフ最適化問題として逐次およびバッチモードのアクティブレグレッションを定式化する機能重視アプローチを提案する。 ノイズフリーとノイズフリーの両方の環境で実験を行う。 ベンチマークデータセットにおける実験結果は,提案手法の有効性を示すものである。

関連論文リスト

• Enhancing Consistency and Mitigating Bias: A Data Replay Approach for Incremental Learning [100.7407460674153]
  ディープラーニングシステムは、一連のタスクから学ぶとき、破滅的な忘れがちだ。 問題を緩和するため、新しいタスクを学ぶ際に経験豊富なタスクのデータを再生する手法が提案されている。 しかし、メモリ制約やデータプライバシーの問題を考慮すると、実際には期待できない。 代替として、分類モデルからサンプルを反転させることにより、データフリーなデータ再生法を提案する。
  論文  参考訳（メタデータ） (2024-01-12T12:51:12Z)
• Model Uncertainty based Active Learning on Tabular Data using Boosted Trees [0.4667030429896303]
  監視された機械学習は、モデルトレーニングのための良質なラベル付きデータの可用性に依存している。 アクティブな学習は機械学習のサブフィールドであり、ラベル付きデータを効率的に取得するのに役立つ。
  論文  参考訳（メタデータ） (2023-10-30T14:29:53Z)
• Streaming Active Learning for Regression Problems Using Regression via Classification [12.572218568705376]
  本稿では,回帰学習のためのストリーミング能動学習にレグレッション・ウィズ・クラス化フレームワークを用いることを提案する。 レグレッション・ウィズ・クラス化は回帰問題を分類問題に変換し、ストリーミング能動学習法を回帰問題に直接適用できるようにする。
  論文  参考訳（メタデータ） (2023-09-02T20:24:24Z)
• Active Learning with Combinatorial Coverage [0.0]
  アクティブな学習は、ラベル付けするデータを選択するプロセスを自動化する機械学習の実践的な分野である。 現在の手法はデータラベリングの負担を軽減するのに有効であるが、モデルに強く依存する。 これにより、サンプルデータの新しいモデルへの転送が不可能になり、サンプリングバイアスの問題も発生した。 本稿では,これらの課題を克服するために,カバレッジを活用した能動的学習手法を提案する。
  論文  参考訳（メタデータ） (2023-02-28T13:43:23Z)
• Iterative Loop Learning Combining Self-Training and Active Learning for Domain Adaptive Semantic Segmentation [1.827510863075184]
  この問題を緩和するために、自己学習とアクティブラーニングが提案されている。 本稿では,自己学習とアクティブラーニングを組み合わせた反復ループ学習手法を提案する。
  論文  参考訳（メタデータ） (2023-01-31T01:31:43Z)
• Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
  我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。 まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。 トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-11-24T13:18:27Z)
• A Lagrangian Duality Approach to Active Learning [119.36233726867992]
  トレーニングデータのサブセットのみをラベル付けするバッチアクティブな学習問題を考察する。 制約付き最適化を用いて学習問題を定式化し、各制約はラベル付きサンプルにモデルの性能を拘束する。 数値実験により,提案手法は最先端の能動学習法と同等かそれ以上に機能することを示した。
  論文  参考訳（メタデータ） (2022-02-08T19:18:49Z)
• Mind Your Outliers! Investigating the Negative Impact of Outliers on Active Learning for Visual Question Answering [71.15403434929915]
  視覚的質問応答のタスクにおいて、5つのモデルと4つのデータセットにまたがって、多種多様な能動的学習アプローチがランダム選択を上回りません。 アクティブな学習手法が好まれるが、モデルは学習に失敗する例の集まりである。 本研究では,アクティブ学習プールにおける集団外乱の減少に伴い,アクティブ学習サンプル効率が著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-07-06T00:52:11Z)
• Learning to Rank for Active Learning: A Listwise Approach [36.72443179449176]
  アクティブラーニングは、大量のデータを空腹のアプリケーションにラベル付けする作業を緩和する代替手段として登場した。 本研究では,単純なリストワイズ手法を用いて,損失予測モジュールの構造を再考する。 4つのデータセットに対する実験結果から,本手法は画像分類と回帰処理の両方において,最近の最先端の能動的学習手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-31T21:05:16Z)
• Improving Multi-Turn Response Selection Models with Complementary Last-Utterance Selection by Instance Weighting [84.9716460244444]
  我々は、データリソース自体の根底にある相関を利用して、異なる種類の監視信号を導出することを検討する。 2つの公開データセットで広範な実験を行い、両方のデータセットで大幅に改善した。
  論文  参考訳（メタデータ） (2020-02-18T06:29:01Z)

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。