論文の概要: Assisted Learning: A Framework for Multi-Organization Learning
- arxiv url: http://arxiv.org/abs/2004.00566v5
- Date: Sun, 6 Dec 2020 06:35:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 18:28:20.655906
- Title: Assisted Learning: A Framework for Multi-Organization Learning
- Title(参考訳): Assisted Learning: マルチ組織学習のためのフレームワーク
- Authors: Xun Xian, Xinran Wang, Jie Ding, Reza Ghanadan
- Abstract要約: 我々は、組織のアルゴリズム、データ、あるいはタスクを明らかにすることなく、教師付き学習タスクで互いに助け合うための支援学習フレームワークを紹介します。
組織は、タスク固有の統計を放送し、他の人のフィードバックを1つ以上のイテレーションに取り入れ、最終的に予測性能を改善することで支援を求める。
- 参考スコア(独自算出の注目度): 16.6491720806269
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In an increasing number of AI scenarios, collaborations among different
organizations or agents (e.g., human and robots, mobile units) are often
essential to accomplish an organization-specific mission. However, to avoid
leaking useful and possibly proprietary information, organizations typically
enforce stringent security constraints on sharing modeling algorithms and data,
which significantly limits collaborations. In this work, we introduce the
Assisted Learning framework for organizations to assist each other in
supervised learning tasks without revealing any organization's algorithm, data,
or even task. An organization seeks assistance by broadcasting task-specific
but nonsensitive statistics and incorporating others' feedback in one or more
iterations to eventually improve its predictive performance. Theoretical and
experimental studies, including real-world medical benchmarks, show that
Assisted Learning can often achieve near-oracle learning performance as if data
and training processes were centralized.
- Abstract(参考訳): 多くのAIシナリオでは、組織固有のミッションを達成するために、異なる組織やエージェント(人間やロボット、移動体など)間のコラボレーションが不可欠であることが多い。
しかし、有用で潜在的にプロプライエタリな情報を漏らすのを避けるために、組織は通常、モデリングアルゴリズムとデータの共有に厳密なセキュリティ制約を課す。
本稿では,組織のアルゴリズムやデータ,さらにはタスクを明かすことなく,教師付き学習タスクにおいて相互に支援を行うための支援学習フレームワークを提案する。
組織は、タスク固有の統計を放送し、他の人のフィードバックを1つ以上のイテレーションに取り入れ、最終的に予測性能を改善することで支援を求める。
実世界の医療ベンチマークを含む理論的および実験的研究は、Assisted Learningが、データやトレーニングプロセスが集中しているかのように、概略学習のパフォーマンスを達成できることをしばしば示している。
関連論文リスト
- Task-Agnostic Federated Learning [4.041327615026293]
本研究では,自己教師付きFLフレームワークを適応させることにより,未確認タスクのタスク非依存および一般化問題に対処する。
ビジョントランスフォーマー(ViT)を、自己教師付き事前トレーニングのためのコンセンサス機能エンコーダとして利用し、初期ラベルを必要とせず、さまざまなデータセットやタスク間で効果的な表現学習を可能にするフレームワークである。
論文 参考訳(メタデータ) (2024-06-25T02:53:37Z) - Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。
動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
論文 参考訳(メタデータ) (2024-03-11T09:21:11Z) - NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision
Research [96.53307645791179]
我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。
分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。
NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
論文 参考訳(メタデータ) (2022-11-15T18:57:46Z) - Hierarchically Structured Task-Agnostic Continual Learning [0.0]
本研究では,連続学習のタスク非依存的な視点を取り入れ,階層的情報理論の最適性原理を考案する。
我々は,情報処理経路の集合を作成することで,忘れを緩和する,Mixture-of-Variational-Experts層と呼ばれるニューラルネットワーク層を提案する。
既存の連続学習アルゴリズムのようにタスク固有の知識を必要としない。
論文 参考訳(メタデータ) (2022-11-14T19:53:15Z) - Contrastive Learning with Cross-Modal Knowledge Mining for Multimodal
Human Activity Recognition [1.869225486385596]
複数のモダリティを活用することによって、より良い認識がもたらされるという仮説を探求する。
我々は、近年、人間活動認識の課題に対して、多くの対照的な自己監督的アプローチを拡張している。
マルチモーダルな自己教師型学習を実現するための,フレキシブルで汎用的なフレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-20T10:39:16Z) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳(メタデータ) (2022-03-14T17:44:53Z) - What Makes Good Contrastive Learning on Small-Scale Wearable-based
Tasks? [59.51457877578138]
本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。
本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
論文 参考訳(メタデータ) (2022-02-12T06:10:15Z) - Assisted Learning for Organizations with Limited Imbalanced Data [17.34334881241701]
組織が学習能力を向上させるための支援学習フレームワークを開発する。
当社のフレームワークでは,学習者が時々サービスプロバイダと情報を共有するだけでなく,ニアオーラルなパフォーマンスを実現するモデルも取得できる。
論文 参考訳(メタデータ) (2021-09-20T05:57:52Z) - A Field Guide to Federated Optimization [161.3779046812383]
フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。
本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
論文 参考訳(メタデータ) (2021-07-14T18:09:08Z) - Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。
提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。
シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
論文 参考訳(メタデータ) (2020-10-06T16:51:09Z) - Sense and Learn: Self-Supervision for Omnipresent Sensors [9.442811508809994]
我々は、生の知覚データから表現や特徴学習のためのSense and Learnというフレームワークを提案する。
これは、面倒なラベル付けプロセスに人間が関与することなく、注釈のないデータから、高レベルで広範囲に有用な特徴を学習できる補助的なタスクで構成されている。
提案手法は、教師付きアプローチと競合する結果を達成し、ネットワークを微調整し、ほとんどの場合、下流タスクを学習することでギャップを埋める。
論文 参考訳(メタデータ) (2020-09-28T11:57:43Z)
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。