論文の概要: Knowledge-Based Learning through Feature Generation

• arxiv url: http://arxiv.org/abs/2006.03874v1
• Date: Sat, 6 Jun 2020 14:13:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 21:06:18.812429
• Title: Knowledge-Based Learning through Feature Generation
• Title（参考訳）: 特徴生成による知識ベース学習
• Authors: Michal Badian and Shaul Markovitch
• Abstract要約: 補助データセットの集合に基づいて特徴を生成する新しいアルゴリズムを提案する。 アルゴリズムはトレーニングセットと補助データセットに共通する特徴を見つける。 これらの特徴と補助データセットからの例に基づいて、補助データセットから新機能の予測器を誘導する。
• 参考スコア（独自算出の注目度）: 4.797216015572358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning algorithms have difficulties to generalize over a small set of examples. Humans can perform such a task by exploiting vast amount of background knowledge they possess. One method for enhancing learning algorithms with external knowledge is through feature generation. In this paper, we introduce a new algorithm for generating features based on a collection of auxiliary datasets. We assume that, in addition to the training set, we have access to additional datasets. Unlike the transfer learning setup, we do not assume that the auxiliary datasets represent learning tasks that are similar to our original one. The algorithm finds features that are common to the training set and the auxiliary datasets. Based on these features and examples from the auxiliary datasets, it induces predictors for new features from the auxiliary datasets. The induced predictors are then added to the original training set as generated features. Our method was tested on a variety of learning tasks, including text classification and medical prediction, and showed a significant improvement over using just the given features.
• Abstract（参考訳）: 機械学習アルゴリズムは、少数の例を一般化するのが困難である。 人間は自分の持つ膨大なバックグラウンド知識を活用し、そのようなタスクを遂行することができる。 外部知識で学習アルゴリズムを強化する方法のひとつに特徴生成がある。 本稿では,補助データセットの収集に基づく特徴量生成のための新しいアルゴリズムを提案する。 トレーニングセットに加えて、追加のデータセットにアクセスできると仮定しています。 転送学習のセットアップとは異なり、補助データセットが元のものと類似した学習タスクを表現しているとは考えていない。 アルゴリズムは、トレーニングセットと補助データセットに共通する特徴を見つける。 これらの特徴と補助データセットからの例に基づいて、補助データセットから新機能の予測子を誘導する。 誘導予測器は生成された機能として元のトレーニングセットに追加される。 提案手法は,テキスト分類や医学的予測を含む様々な学習タスクでテストされ,与えられた機能のみを用いた場合よりも大幅に改善した。

関連論文リスト

• Learning from the Best: Active Learning for Wireless Communications [9.523381807291049]
  アクティブな学習アルゴリズムは、ラベル付けされていないデータセットの中で最も重要で情報に富んだサンプルを特定し、完全なデータセットではなく、これらのサンプルのみをラベル付けする。 本稿では, ディープラーニングに基づくmmWaveビーム選択のケーススタディとして, 包括探索に基づく計算集約アルゴリズムを用いてラベル付けを行う。 この結果から,クラス不均衡データセットに対するアクティブな学習アルゴリズムを用いることで,データセットのラベル付けオーバーヘッドを最大50%削減できることがわかった。
  論文  参考訳（メタデータ） (2024-01-23T12:21:57Z)
• Zero-shot Active Learning Using Self Supervised Learning [11.28415437676582]
  我々は,反復的なプロセスを必要としないモデル非依存の新たなアクティブラーニング手法を提案する。 アクティブラーニングの課題に自己指導型学習機能を活用することを目的としている。
  論文  参考訳（メタデータ） (2024-01-03T11:49:07Z)
• Ticketed Learning-Unlearning Schemes [57.89421552780526]
  そこで我々は,学習のためのチケット付きモデルを提案する。 広義のコンセプトクラスに対して,空間効率のよいチケット付き学習スキームを提供する。
  論文  参考訳（メタデータ） (2023-06-27T18:54:40Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• Parrot: Data-Driven Behavioral Priors for Reinforcement Learning [79.32403825036792]
  そこで本研究では,実験で得られた複雑なインプット・アウトプット関係を事前に学習する手法を提案する。 RLエージェントが新規な動作を試す能力を阻害することなく、この学習が新しいタスクを迅速に学習するのにどのように役立つかを示す。
  論文  参考訳（メタデータ） (2020-11-19T18:47:40Z)
• Collaborative Method for Incremental Learning on Classification and Generation [32.07222897378187]
  本稿では,ニューラルネットワークを用いたインクリメンタルなクラス学習のための新しいアルゴリズム,Incrmental Class Learning with Attribute Sharing (ICLAS)を導入する。 そのコンポーネントの1つであるincGANは、トレーニングデータよりも多彩な画像を生成することができる。 データ不足の困難な環境下で、ICLASは段階的に分類と生成ネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-10-29T06:34:53Z)
• Multi-task Supervised Learning via Cross-learning [102.64082402388192]
  我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。 我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。 これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
  論文  参考訳（メタデータ） (2020-10-24T21:35:57Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

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。