論文の概要: Student-Teacher Curriculum Learning via Reinforcement Learning: Predicting Hospital Inpatient Admission Location

• arxiv url: http://arxiv.org/abs/2007.01135v1
• Date: Wed, 1 Jul 2020 15:00:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 21:52:46.005519
• Title: Student-Teacher Curriculum Learning via Reinforcement Learning: Predicting Hospital Inpatient Admission Location
• Title（参考訳）: 強化学習による学生・教師のカリキュラム学習:入院場所の予測
• Authors: Rasheed el-Bouri, David Eyre, Peter Watkinson, Tingting Zhu, David Clifton
• Abstract要約: 本研究では,この問題に対処するための強化学習を通して,学生と教師のネットワークを提案する。 生徒ネットワークの重みの表現を状態として扱い、教師ネットワークへの入力として供給する。 教師ネットワークの行動は、エントロピーに応じてソートされたトレーニングセットから、生徒ネットワークをトレーニングするための最も適切なデータのバッチを選択することである。
• 参考スコア（独自算出の注目度）: 4.359338565775979
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and reliable prediction of hospital admission location is important due to resource-constraints and space availability in a clinical setting, particularly when dealing with patients who come from the emergency department. In this work we propose a student-teacher network via reinforcement learning to deal with this specific problem. A representation of the weights of the student network is treated as the state and is fed as an input to the teacher network. The teacher network's action is to select the most appropriate batch of data to train the student network on from a training set sorted according to entropy. By validating on three datasets, not only do we show that our approach outperforms state-of-the-art methods on tabular data and performs competitively on image recognition, but also that novel curricula are learned by the teacher network. We demonstrate experimentally that the teacher network can actively learn about the student network and guide it to achieve better performance than if trained alone.
• Abstract（参考訳）: 病院の入院場所の正確かつ確実な予測は、特に救急部から来院した患者を扱う場合、臨床現場における資源制約や空間利用の制限により重要である。 本研究では,この問題に対処するために,強化学習を用いた教員ネットワークを提案する。 生徒ネットワークの重みの表現を状態として処理し、教師ネットワークへの入力として供給する。 教師ネットワークの行動は、エントロピーに応じてソートされたトレーニングセットから、生徒ネットワークをトレーニングするための最も適切なデータのバッチを選択することである。 3つのデータセットを検証することで,本手法が表データにおける最先端手法よりも優れており,画像認識に競争力があることを示すだけでなく,教師ネットワークによって新たなカリキュラムが学習されることを示した。 教師ネットワークが学生ネットワークについて積極的に学習し、単独で訓練した場合よりも優れたパフォーマンスを達成するために指導できることを実験的に実証する。

関連論文リスト

• Learn from Balance: Rectifying Knowledge Transfer for Long-Tailed Scenarios [8.804625474114948]
  知識蒸留(KD)は,教師ネットワークから生徒ネットワークへ知識を伝達する。 本稿では,教師ネットワークに継承された不均衡な知識に対処するため,KRDistill(Knowledge Rectification Distillation)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-12T01:58:06Z)
• UNIKD: UNcertainty-filtered Incremental Knowledge Distillation for Neural Implicit Representation [48.49860868061573]
  最近の神経暗黙表現(NIR)は、3次元再構成と新しいビュー合成のタスクにおいて大きな成功を収めている。 それらは、異なるカメラビューからのシーンのイメージを、一度のトレーニングで利用できるようにする必要がある。 これは特に大規模なシーンと限られたデータストレージを持つシナリオでは高価である。 我々は、破滅的な問題を緩和するために、学生-教師の枠組みを設計する。
  論文  参考訳（メタデータ） (2022-12-21T11:43:20Z)
• The Wits Intelligent Teaching System: Detecting Student Engagement During Lectures Using Convolutional Neural Networks [0.30458514384586394]
  Wits Intelligent Teaching System (WITS) は、学生の感情に関するリアルタイムフィードバックを講師に支援することを目的としている。 AlexNetベースのCNNはトレーニングが成功し、Support Vector Machineアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2021-05-28T12:59:37Z)
• Graph Consistency based Mean-Teaching for Unsupervised Domain Adaptive Person Re-Identification [54.58165777717885]
  本論文では,教師ネットワークと学生ネットワークの間にGCC(Graph Consistency Constraint)を構築するためのGCMT(Graph Consistency Based Mean-Teaching)手法を提案する。 マーケット-1501、デュークMTMCreID、MSMT17の3つのデータセットの実験により、提案されたGCMTは最先端の手法よりも明確なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2021-05-11T04:09:49Z)
• Distilling Knowledge via Knowledge Review [69.15050871776552]
  教師と学生のネットワーク間の接続経路のクロスレベル要因を研究し、その大きな重要性を明らかにします。 知識蒸留において初めて, クロスステージ接続経路が提案されている。 最終的に設計されたネストでコンパクトなフレームワークは、無視できるオーバーヘッドを必要とし、さまざまなタスクで他のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-04-19T04:36:24Z)
• Student-Teacher Learning from Clean Inputs to Noisy Inputs [20.428469418957544]
  特徴に基づく教員学習は,教員ネットワークから学生ネットワークに知識を移すことで実証的に成功している。 本手法はディープリニアネットワークを用いて理論的に解析し,非線形ネットワークを用いて実験的に解析する。
  論文  参考訳（メタデータ） (2021-03-13T02:29:35Z)
• Evaluating Knowledge Transfer in Neural Network for Medical Images [0.18599311233727078]
  本稿では,CNN教師から学生CNNへ知識を伝達する学習フレームワークを提案する。 学生ネットワークが小さなデータセットでトレーニングされた場合,提案するネットワークの性能について検討する。 その結果,教師が学習する学習フレームワークは,小さなデータセットの伝達学習よりも優れていた。
  論文  参考訳（メタデータ） (2020-08-31T12:58:53Z)
• Point Adversarial Self Mining: A Simple Method for Facial Expression Recognition [79.75964372862279]
  本稿では,表情認識における認識精度を向上させるために,PASM(Point Adversarial Self Mining)を提案する。 PASMは、目標タスクに関連する最も情報性の高い位置を見つけるために、ポイント敵攻撃法と訓練された教師ネットワークを使用する。 適応学習教材の生成と教師/学生の更新を複数回行うことができ、ネットワーク能力が反復的に向上する。
  論文  参考訳（メタデータ） (2020-08-26T06:39:24Z)
• Peer-inspired Student Performance Prediction in Interactive Online Question Pools with Graph Neural Network [56.62345811216183]
  本稿では,対話型オンライン質問プールにおいて,より優れた生徒のパフォーマンス予測を実現するために,グラフニューラルネットワーク(GNN)を用いた新しいアプローチを提案する。 具体的には,学生のインタラクションを用いた学生と質問の関係をモデル化し,学生のインタラクション・クエストネットワークを構築する。 1631の質問に対して4000人以上の学生の問題解決過程において生成した104,113個のマウス軌跡からなる実世界のデータセットに対するアプローチの有効性を評価した。
  論文  参考訳（メタデータ） (2020-08-04T14:55:32Z)
• Interactive Knowledge Distillation [79.12866404907506]
  本稿では,効率的な知識蒸留のための対話型指導戦略を活用するために,対話型知識蒸留方式を提案する。 蒸留工程では,教師と学生のネットワーク間の相互作用を交換操作により行う。 教員ネットワークの典型的な設定による実験により,IAKDで訓練された学生ネットワークは,従来の知識蒸留法で訓練された学生ネットワークよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-07-03T03:22:04Z)

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。