Fugu-MT 論文翻訳(概要): Learning to Rank for Active Learning: A Listwise Approach

論文の概要: Learning to Rank for Active Learning: A Listwise Approach

arxiv url: http://arxiv.org/abs/2008.00078v2
Date: Sat, 17 Oct 2020 21:47:34 GMT
ステータス: 処理完了
システム内更新日: 2022-11-04 06:47:47.590558
Title: Learning to Rank for Active Learning: A Listwise Approach
Title（参考訳）: アクティブラーニングのためのランク付けへの学習--リストワイズアプローチ
Authors: Minghan Li, Xialei Liu, Joost van de Weijer, Bogdan Raducanu
Abstract要約: アクティブラーニングは、大量のデータを空腹のアプリケーションにラベル付けする作業を緩和する代替手段として登場した。本研究では,単純なリストワイズ手法を用いて,損失予測モジュールの構造を再考する。 4つのデータセットに対する実験結果から,本手法は画像分類と回帰処理の両方において,最近の最先端の能動的学習手法よりも優れていることが示された。
参考スコア（独自算出の注目度）: 36.72443179449176
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Active learning emerged as an alternative to alleviate the effort to label huge amount of data for data hungry applications (such as image/video indexing and retrieval, autonomous driving, etc.). The goal of active learning is to automatically select a number of unlabeled samples for annotation (according to a budget), based on an acquisition function, which indicates how valuable a sample is for training the model. The learning loss method is a task-agnostic approach which attaches a module to learn to predict the target loss of unlabeled data, and select data with the highest loss for labeling. In this work, we follow this strategy but we define the acquisition function as a learning to rank problem and rethink the structure of the loss prediction module, using a simple but effective listwise approach. Experimental results on four datasets demonstrate that our method outperforms recent state-of-the-art active learning approaches for both image classification and regression tasks.
Abstract（参考訳）: アクティブラーニング(Active Learning)は、画像やビデオのインデックス付けや検索、自動運転など、膨大な量のデータをデータ空きアプリケーションにラベル付けするための代替手段として登場した。アクティブラーニングの目標は、モデルトレーニングにサンプルがどれほど価値があるかを示す獲得関数に基づいて、アノテーションのためのラベルのないサンプル(予算による)を自動的に選択することである。学習損失法は、モジュールをアタッチして未ラベルデータの目標損失を予測し、ラベル付け時に最も損失の多いデータを選択するタスク非依存の手法である。本研究では,この問題をランク付けするための学習として獲得関数を定義し,単純かつ効果的なリストワイズ手法を用いて損失予測モジュールの構造を再考する。 4つのデータセットにおける実験結果から,本手法は画像分類と回帰課題の両方において,最新のアクティブラーニング手法よりも優れていることが示された。

関連論文リスト

Semi-Supervised Variational Adversarial Active Learning via Learning to Rank and Agreement-Based Pseudo Labeling [6.771578432805963]
アクティブラーニングは、ラベルなしサンプルの選択を自動化することで、データラベリングに関わる労力を軽減することを目的としている。トレーニング中に大量のラベルのないデータの使用を大幅に改善する新しい手法を導入する。様々な画像分類およびセグメンテーションベンチマークデータセットにおける技術状況に対するアプローチの優れた性能を示す。
論文参考訳（メタデータ） (2024-08-23T00:35:07Z)
Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
論文参考訳（メタデータ） (2024-01-18T08:12:23Z)
Zero-shot Active Learning Using Self Supervised Learning [11.28415437676582]
我々は,反復的なプロセスを必要としないモデル非依存の新たなアクティブラーニング手法を提案する。アクティブラーニングの課題に自己指導型学習機能を活用することを目的としている。
論文参考訳（メタデータ） (2024-01-03T11:49:07Z)
Model Uncertainty based Active Learning on Tabular Data using Boosted Trees [0.4667030429896303]
監視された機械学習は、モデルトレーニングのための良質なラベル付きデータの可用性に依存している。アクティブな学習は機械学習のサブフィールドであり、ラベル付きデータを効率的に取得するのに役立つ。
論文参考訳（メタデータ） (2023-10-30T14:29:53Z)
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)
Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
論文参考訳（メタデータ） (2022-12-20T19:29:37Z)
An Embarrassingly Simple Approach to Semi-Supervised Few-Shot Learning [58.59343434538218]
間接学習の観点から、ラベルなしデータの正負の擬似ラベルを正確に予測するための、単純だが非常に効果的な手法を提案する。私たちのアプローチは、オフザシェルフ操作のみを使用することで、ほんの数行のコードで実装できます。
論文参考訳（メタデータ） (2022-09-28T02:11:34Z)
Reinforced Meta Active Learning [11.913086438671357]
本稿では,データから直接情報提供度を学習する,オンラインストリームに基づくメタアクティブ学習手法を提案する。本手法は、強化学習に基づいて、エピソードポリシー検索と文脈的バンディットアプローチを組み合わせたものである。本研究では,本手法が既存の最先端手法よりも効率的にトレーニングサンプルを選択できることを実データで示す。
論文参考訳（メタデータ） (2022-03-09T08:36:54Z)
Budget-aware Few-shot Learning via Graph Convolutional Network [56.41899553037247]
本稿では,いくつかの例から新しい視覚概念を学習することを目的とした,数ショット学習の課題に取り組む。数ショット分類における一般的な問題設定は、データラベルの取得においてランダムサンプリング戦略を前提としている。そこで我々は,新しい対象カテゴリーの学習を目的とした,予算に配慮した数発の学習問題を新たに導入する。
論文参考訳（メタデータ） (2022-01-07T02:46:35Z)
Semi-supervised Batch Active Learning via Bilevel Optimization [89.37476066973336]
両レベル最適化によるデータ要約問題として,本手法を定式化する。本手法は,ラベル付きサンプルがほとんど存在しない場合,レジーム内のキーワード検出タスクにおいて極めて有効であることを示す。
論文参考訳（メタデータ） (2020-10-19T16:53:24Z)
A Graph-Based Approach for Active Learning in Regression [37.42533189350655]
アクティブラーニングは、ラベルのないプールから最も重要なデータポイントに注釈を付けることで、ラベル付けの労力を減らすことを目的としている。回帰法における既存のアクティブラーニングのほとんどは、各アクティブラーニングイテレーションで学習した回帰関数を使用して、クエリする次の情報ポイントを選択する。本稿では,新しい二部グラフ最適化問題として,逐次およびバッチモードのアクティブレグレッションを定式化する特徴に着目したアプローチを提案する。
論文参考訳（メタデータ） (2020-01-30T00:59:43Z)

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。