論文の概要: Iterative Machine Teaching without Teachers

• arxiv url: http://arxiv.org/abs/2006.15339v1
• Date: Sat, 27 Jun 2020 11:21:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 07:34:19.692296
• Title: Iterative Machine Teaching without Teachers
• Title（参考訳）: 教師のいない反復型機械教示
• Authors: Mingzhe Yang and Yukino Baba
• Abstract要約: 既存の反復型機械教育の研究は、すべての指導例の真の答えを知っている教師がいると仮定している。 本研究では,そのような教師が存在しない教師なしの事例について考察する。 生徒は各イテレーションで指導例を与えられるが、対応するラベルが正しいかどうか保証はない。
• 参考スコア（独自算出の注目度）: 12.239246363539634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Iterative machine teaching is a method for selecting an optimal teaching example that enables a student to efficiently learn a target concept at each iteration. Existing studies on iterative machine teaching are based on supervised machine learning and assume that there are teachers who know the true answers of all teaching examples. In this study, we consider an unsupervised case where such teachers do not exist; that is, we cannot access the true answer of any teaching example. Students are given a teaching example at each iteration, but there is no guarantee if the corresponding label is correct. Recent studies on crowdsourcing have developed methods for estimating the true answers from crowdsourcing responses. In this study, we apply these to iterative machine teaching for estimating the true labels of teaching examples along with student models that are used for teaching. Our method supports the collaborative learning of students without teachers. The experimental results show that the teaching performance of our method is particularly effective for low-level students in particular.
• Abstract（参考訳）: 反復機械教育は、学生が各イテレーションで目標概念を効率的に学習できる最適な指導例を選択する方法である。 既存の反復型機械教育の研究は教師付き機械学習に基づいており、すべての指導例の真の答えを知っている教師がいると仮定している。 本研究では,教師が存在しない教師の場合,すなわち,教師の真の答えにアクセスできない場合について考察する。 学生は各イテレーションで指導例を与えられるが、対応するラベルが正しいかどうかの保証はない。 クラウドソーシングに関する最近の研究は、クラウドソーシング応答から真の回答を推定する方法を開発した。 本研究では,これらを反復型機械教育に適用し,教材の真のラベルと授業に使用する学生モデルの推定を行う。 本手法は教師のいない学生の協調学習を支援する。 実験の結果,本手法の授業成績は,特に低学年の生徒に特に有効であることが示唆された。

関連論文リスト

• Representational Alignment Supports Effective Machine Teaching [81.19197059407121]
  我々は,機械教育の知見と実践的なコミュニケーションを,表現的アライメントに関する文献と統合する。 教師の精度から表現的アライメントを遠ざける教師付き学習環境を設計する。
  論文  参考訳（メタデータ） (2024-06-06T17:48:24Z)
• One-shot Machine Teaching: Cost Very Few Examples to Converge Faster [45.96956111867065]
  単発機械教育という,よりインテリジェントな教育パラダイムについて検討する。 学習セットからモデルパラメータへの抽出可能なマッピングを確立する。 この写像が主観的であることを証明し、最適指導セットの存在を保証する。
  論文  参考訳（メタデータ） (2022-12-13T07:51:17Z)
• Know Thy Student: Interactive Learning with Gaussian Processes [11.641731210416102]
  そこで本研究では,ガウス過程を用いた簡単な診断アルゴリズムを提案する。 本研究は,教師が生徒に実演を行い,余分な軌跡の送出を避けるためのオフライン強化学習環境である。 本実験は,対話型教師の助けを借りて,学生がより効率的に学習できる方法を示す。
  論文  参考訳（メタデータ） (2022-04-26T04:43:57Z)
• Iterative Teacher-Aware Learning [136.05341445369265]
  人間の教育において、教師と学生はコミュニケーション効率を最大化するために適応的に交流することができる。 本稿では,教師の協調意図を可能性関数に組み込むことができる,勾配最適化に基づく教師認識学習者を提案する。
  論文  参考訳（メタデータ） (2021-10-01T00:27:47Z)
• Representation Consolidation for Training Expert Students [54.90754502493968]
  マルチヘッド多タスク蒸留法は,タスク固有の教師の表現を集約し,下流のパフォーマンスを向上させるのに十分であることを示す。 また,本手法では,複数のドメインで訓練された複数の教師の表現的知識を1つのモデルに組み合わせることができる。
  論文  参考訳（メタデータ） (2021-07-16T17:58:18Z)
• Distribution Matching for Machine Teaching [64.39292542263286]
  機械学習の逆問題である機械学習は、学習者の目標仮説に向けて学習者を操ることを目的としている。 機械教育に関するこれまでの研究は、それらの最良の指導例を見つけるための教育のリスクとコストのバランスに重点を置いていた。 本稿では,分布マッチングに基づく機械教育戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-06T09:32:57Z)
• Neural Multi-Task Learning for Teacher Question Detection in Online Classrooms [50.19997675066203]
  教師の音声記録から質問を自動的に検出するエンドツーエンドのニューラルネットワークフレームワークを構築している。 マルチタスク学習手法を取り入れることで,質問の種類によって意味的関係の理解を深めることが可能となる。
  論文  参考訳（メタデータ） (2020-05-16T02:17:04Z)
• Understanding the Power and Limitations of Teaching with Imperfect Knowledge [30.588367257209388]
  本研究では,教師が学習者に対して特定の課題を学習するための学習例を選択する際に,教師と学生/学生の相互作用について検討する。 教育における機械教育の現実的な応用に着想を得て,教師の知識が限られ,騒々しい環境を考える。 最適学習セットを構築する際に,不完全な知識が対応する機械教育問題に対する教師の解決にどう影響するかを示す。
  論文  参考訳（メタデータ） (2020-03-21T17:53:26Z)

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。