Fugu-MT 論文翻訳(概要): MetAL: Active Semi-Supervised Learning on Graphs via Meta Learning

論文の概要: MetAL: Active Semi-Supervised Learning on Graphs via Meta Learning

arxiv url: http://arxiv.org/abs/2007.11230v1
Date: Wed, 22 Jul 2020 06:59:49 GMT
ステータス: 処理完了
システム内更新日: 2022-11-07 22:12:30.061846
Title: MetAL: Active Semi-Supervised Learning on Graphs via Meta Learning
Title（参考訳）: MetAL: メタ学習によるグラフの半教師付きアクティブ学習
Authors: Kaushalya Madhawa and Tsuyoshi Murata
Abstract要約: 分類モデルの将来の性能を直接改善する未ラベルのインスタンスを選択するためのALアプローチであるMetALを提案する。我々は、MetALが既存の最先端ALアルゴリズムより効率良く優れていることを示す。
参考スコア（独自算出の注目度）: 2.903711704663904
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The objective of active learning (AL) is to train classification models with less number of labeled instances by selecting only the most informative instances for labeling. The AL algorithms designed for other data types such as images and text do not perform well on graph-structured data. Although a few heuristics-based AL algorithms have been proposed for graphs, a principled approach is lacking. In this paper, we propose MetAL, an AL approach that selects unlabeled instances that directly improve the future performance of a classification model. For a semi-supervised learning problem, we formulate the AL task as a bilevel optimization problem. Based on recent work in meta-learning, we use the meta-gradients to approximate the impact of retraining the model with any unlabeled instance on the model performance. Using multiple graph datasets belonging to different domains, we demonstrate that MetAL efficiently outperforms existing state-of-the-art AL algorithms.
Abstract（参考訳）: アクティブラーニング(al)の目的は、ラベル付きインスタンスの数が少ない分類モデルを、最も有益なインスタンスのみを選択して学習することである。画像やテキストなどの他のデータ型向けに設計されたalアルゴリズムは、グラフ構造化データではうまく機能しない。グラフに対するヒューリスティックスに基づくALアルゴリズムはいくつか提案されているが、原則的なアプローチは欠如している。本稿では,分類モデルの将来の性能を直接改善する未ラベルのインスタンスを選択するALアプローチであるMetALを提案する。半教師付き学習問題では、ALタスクを二段階最適化問題として定式化する。メタラーニングにおける最近の研究に基づいて、メタグラディエントを使用して、モデルのパフォーマンスにラベルのないインスタンスでモデルを再トレーニングすることの影響を近似する。異なるドメインに属する複数のグラフデータセットを用いて、MetALが既存の最先端ALアルゴリズムを効率よく上回ることを示す。

関連論文リスト

AutoAL: Automated Active Learning with Differentiable Query Strategy Search [18.23964720426325]
本研究は, AutoAL という,最初の識別可能な能動学習戦略探索手法を提案する。任意のタスクに対して、SearchNetとFitNetはラベル付きデータを使って反復的に最適化され、そのタスクで候補ALアルゴリズムのセットがどれだけうまく機能するかを学ぶ。 AutoALは、すべての候補ALアルゴリズムや他の選択ALアプローチと比較して、常に優れた精度を達成する。
論文参考訳（メタデータ） (2024-10-17T17:59:09Z)
Can Large Language Models Analyze Graphs like Professionals? A Benchmark, Datasets and Models [90.98855064914379]
グラフを処理するために,大規模言語モデル(LLM)のベンチマークであるProGraphを導入する。その結果,現在のLCMの性能は不満足であり,最高のモデルでは36%の精度しか達成できないことがわかった。本研究では,6つの広く使用されているグラフライブラリに基づいて,クローリングされたドキュメントと自動生成コードを含むLLM4Graphデータセットを提案する。
論文参考訳（メタデータ） (2024-09-29T11:38:45Z)
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)
Active Learning by Feature Mixing [52.16150629234465]
本稿では,ALFA-Mixと呼ばれるバッチ能動学習手法を提案する。予測の不整合を求めることにより,不整合な特徴を持つインスタンスを同定する。これらの予測の不整合は、モデルが未認識のインスタンスで認識できない特徴を発見するのに役立ちます。
論文参考訳（メタデータ） (2022-03-14T12:20:54Z)
A Lagrangian Duality Approach to Active Learning [119.36233726867992]
トレーニングデータのサブセットのみをラベル付けするバッチアクティブな学習問題を考察する。制約付き最適化を用いて学習問題を定式化し、各制約はラベル付きサンプルにモデルの性能を拘束する。数値実験により,提案手法は最先端の能動学習法と同等かそれ以上に機能することを示した。
論文参考訳（メタデータ） (2022-02-08T19:18:49Z)
Active learning for reducing labeling effort in text classification tasks [3.8424737607413153]
アクティブラーニング(英: Active Learning, AL)は、使用済みモデルが最も有益とみなすデータのみを使用することでラベル付けの労力を削減することを目的としたパラダイムである。本稿では,異なる不確実性に基づくアルゴリズム BERT$_base$ を比較した実験的検討を行った。その結果,BERT$base$で不確実性に基づくALを用いることで,データのランダムサンプリングに優れることがわかった。
論文参考訳（メタデータ） (2021-09-10T13:00:36Z)
Cartography Active Learning [12.701925701095968]
本稿では,CAL(Cartography Active Learning)アルゴリズムを提案する。 CALは、トレーニング中の個々のインスタンス上でのモデルの振る舞いをプロキシとして利用して、ラベル付けの最も有益なインスタンスを見つける。以上の結果から,CALはよりデータ効率のよい学習戦略を実現し,より少ないトレーニングデータで同等あるいはより良い結果を得ることができた。
論文参考訳（メタデータ） (2021-09-09T14:02:02Z)
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)
Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
半教師付き学習における簡単なメタ学習アルゴリズムを提案する。その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
論文参考訳（メタデータ） (2020-07-08T08:48:56Z)
Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文参考訳（メタデータ） (2020-06-10T14:48:48Z)
Fase-AL -- Adaptation of Fast Adaptive Stacking of Ensembles for Supporting Active Learning [0.0]
本研究は,Active Learning を用いて非ラベルのインスタンスで分類モデルを誘導する FASE-AL アルゴリズムを提案する。このアルゴリズムは、正しく分類されたインスタンスの割合で有望な結果を得る。
論文参考訳（メタデータ） (2020-01-30T17:25:47Z)

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。