論文の概要: Information Condensing Active Learning
- arxiv url: http://arxiv.org/abs/2002.07916v2
- Date: Thu, 20 Feb 2020 02:52:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 19:32:50.804852
- Title: Information Condensing Active Learning
- Title(参考訳): 情報凝縮型アクティブラーニング
- Authors: Siddhartha Jain, Ge Liu, David Gifford
- Abstract要約: 本稿では,Deep Bayesian Active Learningを対象としたバッチモードアクティブラーニング(AL)手法である,情報凝縮型アクティブラーニング(ICAL)を紹介する。
ICALはヒルベルト・シュミット独立基準(HSIC)を用いて、候補となる点とラベルなし集合の間の依存性の強さを測定する。
深層学習のためのアートバッチモードAL手法の状態と比較して,複数の画像データセット上でのモデル精度と負のログ可能性(NLL)の面では,大幅な改善が見られた。
- 参考スコア(独自算出の注目度): 4.769747792846005
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Information Condensing Active Learning (ICAL), a batch mode
model agnostic Active Learning (AL) method targeted at Deep Bayesian Active
Learning that focuses on acquiring labels for points which have as much
information as possible about the still unacquired points. ICAL uses the
Hilbert Schmidt Independence Criterion (HSIC) to measure the strength of the
dependency between a candidate batch of points and the unlabeled set. We
develop key optimizations that allow us to scale our method to large unlabeled
sets. We show significant improvements in terms of model accuracy and negative
log likelihood (NLL) on several image datasets compared to state of the art
batch mode AL methods for deep learning.
- Abstract(参考訳): 本稿では,未取得の点について可能な限り多くの情報を有する点についてラベルを取得することに焦点を当てた,深いベイズ型アクティブラーニングを対象としたバッチモードモデル非依存アクティブラーニング(al)手法であるinformation condensing active learning (ical)を提案する。
ICALはヒルベルト・シュミット独立基準(HSIC)を用いて、候補となる点とラベルなし集合の間の依存性の強さを測定する。
提案手法を大規模非ラベル集合に拡張可能な重要な最適化手法を開発した。
深層学習のためのアートバッチモードAL手法の状態と比較して,複数の画像データセット上でのモデル精度と負のログ可能性 (NLL) の面で大きな改善が見られた。
関連論文リスト
- Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。
このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。
我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
論文 参考訳(メタデータ) (2024-11-20T02:57:35Z) - Variational Self-Supervised Contrastive Learning Using Beta Divergence [0.0]
本稿では,データノイズに対して頑健な自己教師付き学習手法を提案する。
顔理解領域における多ラベルデータセットを用いた線形評価と微調整シナリオを含む厳密な実験により,提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-09-05T17:21:38Z) - MoBYv2AL: Self-supervised Active Learning for Image Classification [57.4372176671293]
画像分類のための自己教師型アクティブラーニングフレームワークであるMoBYv2ALを提案する。
私たちの貢献は、最も成功した自己教師付き学習アルゴリズムであるMoBYをALパイプラインに持ち上げることです。
近年のAL法と比較すると,最先端の結果が得られている。
論文 参考訳(メタデータ) (2023-01-04T10:52:02Z) - Active Pointly-Supervised Instance Segmentation [106.38955769817747]
アクティブポイント制御型インスタンスセグメンテーション(APIS)という,経済的なアクティブな学習環境を提案する。
APISはボックスレベルのアノテーションから始まり、ボックス内のポイントを反復的にサンプリングし、オブジェクトに落ちているかどうかを問う。
これらの戦略で開発されたモデルは、挑戦的なMS-COCOデータセットに対して一貫したパフォーマンス向上をもたらす。
論文 参考訳(メタデータ) (2022-07-23T11:25:24Z) - ALLSH: Active Learning Guided by Local Sensitivity and Hardness [98.61023158378407]
本稿では,局所感度と硬度認識獲得機能を備えたラベル付きサンプルの検索を提案する。
本手法は,様々な分類タスクにおいてよく用いられるアクティブラーニング戦略よりも一貫した利得が得られる。
論文 参考訳(メタデータ) (2022-05-10T15:39:11Z) - Dominant Set-based Active Learning for Text Classification and its
Application to Online Social Media [0.0]
本稿では,最小限のアノテーションコストで大規模未ラベルコーパスのトレーニングを行うための,プールベースのアクティブラーニング手法を提案する。
提案手法には調整すべきパラメータが一切ないため,データセットに依存しない。
本手法は,最先端のアクティブラーニング戦略と比較して高い性能を実現する。
論文 参考訳(メタデータ) (2022-01-28T19:19:03Z) - Data Shapley Valuation for Efficient Batch Active Learning [21.76249748709411]
Active Data Shapley(ADS)は、バッチアクティブラーニングのためのフィルタリングレイヤーです。
ADSは、ラベルのないデータのプールが現実世界の異常を示す場合に特に効果的であることを示す。
論文 参考訳(メタデータ) (2021-04-16T18:53:42Z) - Semi-supervised Batch Active Learning via Bilevel Optimization [89.37476066973336]
両レベル最適化によるデータ要約問題として,本手法を定式化する。
本手法は,ラベル付きサンプルがほとんど存在しない場合,レジーム内のキーワード検出タスクにおいて極めて有効であることを示す。
論文 参考訳(メタデータ) (2020-10-19T16:53:24Z) - Ask-n-Learn: Active Learning via Reliable Gradient Representations for
Image Classification [29.43017692274488]
深い予測モデルは、ラベル付きトレーニングデータという形で人間の監督に依存する。
Ask-n-Learnは,各アルゴリズムで推定されたペスドラベルを用いて得られる勾配埋め込みに基づく能動的学習手法である。
論文 参考訳(メタデータ) (2020-09-30T05:19:56Z) - Incremental Object Detection via Meta-Learning [77.55310507917012]
本稿では,段階的タスク間の情報を最適に共有するように,モデル勾配を再形成するメタラーニング手法を提案する。
既存のメタ学習法と比較して,本手法はタスク非依存であり,オブジェクト検出のための高容量モデルに新たなクラスやスケールを段階的に追加することができる。
論文 参考訳(メタデータ) (2020-03-17T13:40:00Z) - Active and Incremental Learning with Weak Supervision [7.2288756536476635]
本研究では,逐次学習方式と能動学習方式の組み合わせについて述べる。
オブジェクト検出タスクは、PASCAL VOCデータセット上で連続的な探索コンテキストで評価される。
また,実世界の生物多様性アプリケーションにおいて,能動的・漸進的学習に基づく弱教師付きシステムを検証する。
論文 参考訳(メタデータ) (2020-01-20T13:21:14Z)
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。