論文の概要: A Review of Meta-level Learning in the Context of Multi-component,
Multi-level Evolving Prediction Systems
- arxiv url: http://arxiv.org/abs/2007.10818v1
- Date: Fri, 17 Jul 2020 14:14:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 14:31:35.014488
- Title: A Review of Meta-level Learning in the Context of Multi-component,
Multi-level Evolving Prediction Systems
- Title（参考訳）: 多成分多段階進化予測システムにおけるメタレベルの学習の展望
- Authors: Abbas Raza Ali, Marcin Budka and Bogdan Gabrys
- Abstract要約: データから有用なパターンを抽出する自動的あるいは半自動的な方法の調査の必要性が高まっている。
与えられた問題に対する学習方法の最も適切なマッピングを見つけるには、深い専門家の知識と広範な計算資源が必要である。
データセットに最適な学習アルゴリズムをアドバイスできるインテリジェントなレコメンデーションエンジンが必要だ。
- 参考スコア（独自算出の注目度）: 6.810856082577402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The exponential growth of volume, variety and velocity of data is raising the
need for investigations of automated or semi-automated ways to extract useful
patterns from the data. It requires deep expert knowledge and extensive
computational resources to find the most appropriate mapping of learning
methods for a given problem. It becomes a challenge in the presence of numerous
configurations of learning algorithms on massive amounts of data. So there is a
need for an intelligent recommendation engine that can advise what is the best
learning algorithm for a dataset. The techniques that are commonly used by
experts are based on a trial and error approach evaluating and comparing a
number of possible solutions against each other, using their prior experience
on a specific domain, etc. The trial and error approach combined with the
expert's prior knowledge, though computationally and time expensive, have been
often shown to work for stationary problems where the processing is usually
performed off-line. However, this approach would not normally be feasible to
apply to non-stationary problems where streams of data are continuously
arriving. Furthermore, in a non-stationary environment, the manual analysis of
data and testing of various methods whenever there is a change in the
underlying data distribution would be very difficult or simply infeasible. In
that scenario and within an on-line predictive system, there are several tasks
where Meta-learning can be used to effectively facilitate best recommendations
including 1) pre-processing steps, 2) learning algorithms or their combination,
3) adaptivity mechanisms and their parameters, 4) recurring concept extraction,
and 5) concept drift detection.
- Abstract（参考訳）: データのボリューム、バラエティ、速度の指数関数的な増加は、データから有用なパターンを抽出する自動的あるいは半自動的な方法の調査の必要性を高めている。
与えられた問題に対する学習方法の最も適切なマッピングを見つけるには、深い専門知識と広範な計算資源が必要である。
大量のデータに対する学習アルゴリズムの多種多様な構成の存在において、これは課題となる。
そのため、データセットにとって最適な学習アルゴリズムは何であるかをアドバイスできるインテリジェントなレコメンデーションエンジンが必要である。
専門家が一般的に使用するテクニックは、試行錯誤アプローチに基づいて、さまざまな可能なソリューションを相互に評価、比較し、特定のドメインでの以前の経験などを使用する。
試行錯誤法と専門家の事前の知識を組み合わせると、計算的かつ時間的費用がかかるが、通常、処理がオフラインで行われるような定常的な問題に対処することがしばしば示されている。
しかし、このアプローチは通常、データのストリームが継続的に到着する非定常的な問題に適用できないだろう。
さらに、非定常環境では、基礎となるデータ分布の変化がいつでも、データの手動分析と様々なメソッドのテストは、非常に困難か、あるいは単に不可能である。
このシナリオでは、オンライン予測システム内で、メタラーニングを使用して最適なレコメンデーションを効果的に促進できるタスクがいくつかあります。
1)前処理ステップ
2)学習アルゴリズム又はそれらの組み合わせ
3)適応性機構とそのパラメータ
4)反復的な概念抽出,及び
5)コンセプトドリフト検出。
関連論文リスト
- Can Tree Based Approaches Surpass Deep Learning in Anomaly Detection? A
Benchmarking Study [0.6291443816903801]
本稿では,機械学習に基づく異常検出アルゴリズムの多種多様さを評価する。
本論文は, 種々の異常検出アルゴリズムの非バイアス比較を行うことにより, 顕著に寄与する。
論文 参考訳（メタデータ） (2024-02-11T19:12:51Z) - Informed Priors for Knowledge Integration in Trajectory Prediction [0.225596179391365]
本稿では,連続学習に基づく情報機械学習手法を提案する。
これにより、任意の事前知識を複数のソースから統合することができ、特定のアーキテクチャを必要としない。
我々は、自律運転のための最先端の軌道予測器に適用することで、我々のアプローチを実証する。
論文 参考訳（メタデータ） (2022-11-01T09:37:14Z) - Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or
Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。
既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。
既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文 参考訳（メタデータ） (2021-11-09T13:30:34Z) - Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory
to Learning Algorithms [91.3755431537592]
プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。
この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
論文 参考訳（メタデータ） (2021-01-26T17:11:40Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Variable-Shot Adaptation for Online Meta-Learning [123.47725004094472]
従来のタスクから静的データにまたがるメタラーニングによって,少数の固定された例から新しいタスクを学習する問題について検討する。
メタラーニングは,従来の教師付き手法に比べて,ラベルの総数が少なく,累積性能も高いタスクセットを解く。
これらの結果から,メタラーニングは,一連の問題を継続的に学習し,改善する学習システムを構築する上で重要な要素であることが示唆された。
論文 参考訳（メタデータ） (2020-12-14T18:05:24Z) - Probabilistic Active Meta-Learning [15.432006404678981]
先行経験に基づくタスク選択をメタ学習アルゴリズムに導入する。
シミュレーションロボット実験の強いベースラインと比較して,本手法がデータ効率を向上させるという実証的証拠を提供する。
論文 参考訳（メタデータ） (2020-07-17T12:51:42Z) - A General Machine Learning Framework for Survival Analysis [0.8029049649310213]
生存分析のための機械学習手法の多くは、正しい検閲されたデータと比例的ハザード仮定による標準設定のみを考慮する。
我々は,データ拡張戦略を用いて,複雑な生存タスクを標準的なポアソン回帰タスクに還元する,時間対イベント分析のための非常に一般的な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-27T20:57:18Z) - Provable Meta-Learning of Linear Representations [114.656572506859]
我々は、複数の関連するタスクから共通の機能の集合を学習し、その知識を新しい未知のタスクに転送する、という2つの課題に対処する、高速でサンプル効率のアルゴリズムを提供する。
また、これらの線形特徴を学習する際のサンプルの複雑さに関する情報理論の下限も提供する。
論文 参考訳（メタデータ） (2020-02-26T18:21:34Z) - Bayesian Meta-Prior Learning Using Empirical Bayes [3.666114237131823]
本稿では,情報的事前の欠如とパラメータ学習率の制御能力に対処する階層的経験ベイズ手法を提案する。
本手法は,データ自体から経験的メタプライヤを学習し,その学習率を1次および2次の特徴の分離に利用する。
スパースデータの最適化は、しばしば課題となるため、私たちの発見は有望です。
論文 参考訳（メタデータ） (2020-02-04T05:08:17Z) - A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。
本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
論文 参考訳（メタデータ） (2020-01-05T11:33:31Z)
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。