Fugu-MT 論文翻訳(概要): Deep Active Learning via Open Set Recognition

論文の概要: Deep Active Learning via Open Set Recognition

arxiv url: http://arxiv.org/abs/2007.02196v4
Date: Mon, 5 Apr 2021 18:47:17 GMT
ステータス: 処理完了
システム内更新日: 2022-11-13 13:01:25.113590
Title: Deep Active Learning via Open Set Recognition
Title（参考訳）: オープンセット認識による深層能動学習
Authors: Jaya Krishna Mandivarapu, Blake Camp, Rolando Estrada
Abstract要約: 多くのアプリケーションでは、データは簡単に取得できるが、顕著な例を示すのに高価で時間がかかる。オープンセット認識問題として能動的学習を定式化する。現在のアクティブな学習方法とは異なり、我々のアルゴリズムはタスクラベルを必要とせずにタスクを学習することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In many applications, data is easy to acquire but expensive and time-consuming to label prominent examples include medical imaging and NLP. This disparity has only grown in recent years as our ability to collect data improves. Under these constraints, it makes sense to select only the most informative instances from the unlabeled pool and request an oracle (e.g., a human expert) to provide labels for those samples. The goal of active learning is to infer the informativeness of unlabeled samples so as to minimize the number of requests to the oracle. Here, we formulate active learning as an open-set recognition problem. In this paradigm, only some of the inputs belong to known classes; the classifier must identify the rest as unknown. More specifically, we leverage variational neural networks (VNNs), which produce high-confidence (i.e., low-entropy) predictions only for inputs that closely resemble the training data. We use the inverse of this confidence measure to select the samples that the oracle should label. Intuitively, unlabeled samples that the VNN is uncertain about are more informative for future training. We carried out an extensive evaluation of our novel, probabilistic formulation of active learning, achieving state-of-the-art results on MNIST, CIFAR-10, and CIFAR-100. Additionally, unlike current active learning methods, our algorithm can learn tasks without the need for task labels. As our experiments show, when the unlabeled pool consists of a mixture of samples from multiple datasets, our approach can automatically distinguish between samples from seen vs. unseen tasks.
Abstract（参考訳）: 多くのアプリケーションでは、データは簡単に取得できるが、医療画像やNLPなどの顕著な例をラベル付けるのに高価で時間がかかる。この格差は、データ収集能力が向上するにつれて、近年のみ拡大しています。これらの制約の下では、ラベルのないプールから最も有益なインスタンスのみを選択し、oracle(例えば、人間の専門家)にこれらのサンプルのラベルを提供するように要求するのは理にかなっている。アクティブラーニングの目標は、oracleへのリクエスト数を最小限に抑えるために、ラベルのないサンプルの情報度を推測することである。ここでは,能動学習をオープンセット認識問題として定式化する。このパラダイムでは、入力のいくつかだけが既知のクラスに属する。より具体的には、トレーニングデータによく似た入力に対してのみ高信頼(低エントロピー)な予測を生成する変分ニューラルネットワーク(VNN)を利用する。この信頼度尺度の逆を用いて、オラクルがラベル付けすべきサンプルを選択する。直感的には、VNNが不確実なラベル付きサンプルは将来の訓練にとってより有益である。我々は,MNIST, CIFAR-10, CIFAR-100における本研究の成果を広く評価し, 能動学習の確率的定式化を行った。さらに,現在のアクティブラーニング手法とは異なり,タスクラベルを必要とせずにタスクを学習できる。実験が示すように、ラベルなしプールが複数のデータセットからのサンプルの混合物で構成されている場合、このアプローチは、見掛けたタスクと見掛けられたタスクとを自動的に区別することができる。

関連論文リスト

Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
論文参考訳（メタデータ） (2023-12-02T16:23:52Z)
MyriadAL: Active Few Shot Learning for Histopathology [10.652626309100889]
我々は、Myriad Active Learning (MAL)という、アクティブな数個のショットラーニングフレームワークを導入する。 MALには、コントラスト学習エンコーダ、擬似ラベル生成、ループ内の新しいクエリサンプル選択が含まれている。 2つの公的な病理組織学データセットの実験により、MALは以前の研究に比べてテスト精度、マクロF1スコア、ラベル効率が優れていることが示された。
論文参考訳（メタデータ） (2023-10-24T20:08:15Z)
ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文参考訳（メタデータ） (2023-04-07T23:51:07Z)
Deep Active Learning with Contrastive Learning Under Realistic Data Pool Assumptions [2.578242050187029]
アクティブラーニングは、モデルが望まれる精度を迅速に到達できるようにする、ラベルのないデータプールから最も情報性の高いデータを特定することを目的としている。既存のアクティブラーニング手法の多くは、未ラベルのデータプールに対象タスクに関連するサンプルのみが存在する理想的な環境で評価されている。我々は,不明瞭でタスク非関連なアウト・オブ・ディストリビューションと,イン・ディストリビューション・サンプルを含む,新しいアクティブ・ラーニング・ベンチマークを導入する。
論文参考訳（メタデータ） (2023-03-25T10:46:10Z)
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)
Learning to Imagine: Diversify Memory for Incremental Learning using Unlabeled Data [69.30452751012568]
本研究では,多様な特徴を適応的に生成することで,経験を多様化する学習可能な特徴生成装置を開発する。生成したサンプルを前例とセマンティックに整合させるために,意味的コントラスト学習を導入する。提案手法は, 余分な推論コストを伴わず, 2つのベンチマークで最先端の手法より優れている。
論文参考訳（メタデータ） (2022-04-19T15:15:18Z)
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)
Minimax Active Learning [61.729667575374606]
アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-12-18T19:03:40Z)
PAL : Pretext-based Active Learning [2.869739951301252]
提案手法は,従来の提案手法よりも,誤ラベルに頑健な深層ニューラルネットワークの能動的学習手法を提案する。ラベルのないサンプルを選別するために、別ネットワークを使用します。その結果,ラベルノイズの欠如による競合精度も向上した。
論文参考訳（メタデータ） (2020-10-29T21:16:37Z)
DEAL: Deep Evidential Active Learning for Image Classification [0.0]
アクティブラーニング(AL)は、限られたラベル付きデータの問題を緩和するためのアプローチである。 CNNの最近のAL手法は、ラベル付けするインスタンスの選択に異なる解決策を提案する。本稿では,ラベルのないデータから高い予測不確かさを捕捉して効率よく学習する新しいALアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-07-22T11:14:23Z)
OvA-INN: Continual Learning with Invertible Neural Networks [0.0]
OvA-INNは、一度に1つのクラスを学習でき、以前のデータを格納しない。特徴抽出器上にInvertible Networkを積み重ねることで,事前学習モデルの活用が可能であることを示す。
論文参考訳（メタデータ） (2020-06-24T14:40:05Z)

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。