論文の概要: Moderately Supervised Learning: Definition, Framework and Generality
- arxiv url: http://arxiv.org/abs/2008.11945v6
- Date: Wed, 31 Jan 2024 04:45:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-01 18:25:28.158954
- Title: Moderately Supervised Learning: Definition, Framework and Generality
- Title（参考訳）: 適度に監督された学習:定義、枠組み、一般性
- Authors: Yongquan Yang
- Abstract要約: 本稿では、教師付き学習(SL)の分類を拡張し、サブタイプの中等教師付き学習(MSL)について検討する。
MSLは、与えられたラベルが理想的である状況に対処するが、アノテーションの単純さのため、与えられたラベルを学習しやすいターゲットに変換するには、慎重に設計する必要がある。
本稿では,AIアプリケーションエンジニアが数学者の視界から解決すべき問題を見るためのチュートリアルを確立する。
- 参考スコア（独自算出の注目度）: 1.19658449368018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning with supervision has achieved remarkable success in numerous
artificial intelligence (AI) applications. In the current literature, by
referring to the properties of the labels prepared for the training dataset,
learning with supervision is categorized as supervised learning (SL) and weakly
supervised learning (WSL). SL concerns the situation where the training data
set is assigned with ideal (complete, exact and accurate) labels, while WSL
concerns the situation where the training data set is assigned with non-ideal
(incomplete, inexact or inaccurate) labels. However, various solutions for SL
tasks have shown that the given labels are not always easy to learn, and the
transformation from the given labels to easy-to-learn targets can significantly
affect the performance of the final SL solutions. Without considering the
properties of the transformation from the given labels to easy-to-learn
targets, the definition of SL conceals some details that can be critical to
building the appropriate solutions for specific SL tasks. Thus, for engineers
in the AI application field, it is desirable to reveal these details
systematically. This article attempts to achieve this goal by expanding the
categorization of SL and investigating the sub-type moderately supervised
learning (MSL) that concerns the situation where the given labels are ideal,
but due to the simplicity in annotation, careful designs are required to
transform the given labels into easy-to-learn targets. From the perspectives of
the definition, framework and generality, we conceptualize MSL to present a
complete fundamental basis to systematically analyse MSL tasks. At meantime,
revealing the relation between the conceptualization of MSL and the
mathematicians' vision, this paper as well establishes a tutorial for AI
application engineers to refer to viewing a problem to be solved from the
mathematicians' vision.
- Abstract（参考訳）: 教師付き学習は多くの人工知能(AI)アプリケーションで顕著な成功を収めた。
現在の文献では、トレーニングデータセットに用意されたラベルの特性を参照することにより、教師あり学習(SL)と弱教師あり学習(WSL)に分類される。
SLは、トレーニングデータセットが理想的な(完全で正確な)ラベルで割り当てられている状況、WSLはトレーニングデータセットが非理想的(不完全、不正確な、不正確な)ラベルで割り当てられている状況に関する。
しかし、SLタスクに対する様々なソリューションは、与えられたラベルが必ずしも習得しやすいとは限らないことを示しており、与えられたラベルから学習が容易なターゲットへの変換は最終SLソリューションの性能に大きな影響を及ぼす可能性がある。
SLの定義は、与えられたラベルから簡単に学習できるターゲットへの変換の性質を考慮せずに、特定のSLタスクの適切なソリューションを構築する上で重要ないくつかの詳細を隠蔽する。
したがって、AIアプリケーション分野のエンジニアには、これらの詳細を体系的に明らかにすることが望ましい。
本稿では、SLの分類を拡大し、与えられたラベルが理想である状況に関するサブタイプの中等教育学習(MSL)を調査することにより、この目標を達成することを試みるが、アノテーションの単純さにより、与えられたラベルを学習しやすいターゲットに変換するには、注意深い設計が必要である。
定義, フレームワーク, 一般性の観点から, MSL を概念化し, MSL タスクを体系的に解析するための基本的基礎を提供する。
その間、mslの概念化と数学者のビジョンの関係を明らかにするとともに、この論文は、数学者のビジョンから解決すべき問題を見るためのaiアプリケーションエンジニアのためのチュートリアルを確立する。
関連論文リスト
- A Survey of the Self Supervised Learning Mechanisms for Vision Transformers [5.152455218955949]
視覚タスクにおける自己教師あり学習(SSL)の適用は注目されている。
SSL手法を体系的に分類する包括的分類法を開発した。
SSLの背後にあるモチベーションについて議論し、人気のある事前トレーニングタスクをレビューし、この分野の課題と進歩を強調します。
論文 参考訳（メタデータ） (2024-08-30T07:38:28Z) - Memorization in Self-Supervised Learning Improves Downstream Generalization [49.42010047574022]
自己教師付き学習(SSL)は、ラベルのないデータで純粋に高性能エンコーダを訓練する能力により、最近大きな注目を集めている。
SSL内での暗記を定義するためのフレームワークであるSSLMemを提案する。
論文 参考訳（メタデータ） (2024-01-19T11:32:47Z) - FlexSSL : A Generic and Efficient Framework for Semi-Supervised Learning [19.774959310191623]
我々はFlexSSLと呼ばれる汎用的で効率的な学習フレームワークを開発した。
我々はFlexSSLが半教師付き学習アルゴリズムの性能を継続的に向上できることを示す。
論文 参考訳（メタデータ） (2023-12-28T08:31:56Z) - Slot Induction via Pre-trained Language Model Probing and Multi-level
Contrastive Learning [62.839109775887025]
トークンレベルのスロットアノテーションの明示的な知識なしでスロット境界を誘導することを目的としたスロットインジェクション(SI)タスク。
PLMから抽出した教師なし意味知識を活用するために、教師なし事前学習言語モデル(PLM)探索とコントラスト学習機構を活用することを提案する。
提案手法は,2つのNLUベンチマークデータセット上でトークンレベルの教師付きモデルとのギャップを埋めることができ,SIタスクに有効であることが示されている。
論文 参考訳（メタデータ） (2023-08-09T05:08:57Z) - Reverse Engineering Self-Supervised Learning [17.720366509919167]
自己教師型学習(SSL)は機械学習の強力なツールである。
本稿ではSSL学習表現の詳細な実験的検討を行う。
論文 参考訳（メタデータ） (2023-05-24T23:15:28Z) - Robust Meta-Representation Learning via Global Label Inference and
Classification [42.81340522184904]
メタラベル学習(Meta Label Learning, MeLa)は,タスク間でグローバルラベルを推論することでタスク関係を学習するメタラーニングアルゴリズムである。
MeLaは、既存のメソッドをさまざまなベンチマークで上回り、特に、トレーニングタスクの数が制限され、ラベルがタスク固有であるような、より困難な設定でパフォーマンスします。
論文 参考訳（メタデータ） (2022-12-22T13:46:47Z) - Improving Self-Supervised Learning by Characterizing Idealized
Representations [155.1457170539049]
与えられたデータ拡張に不変なタスクに対して必要かつ十分な条件を証明します。
対照的に、我々のフレームワークは、従来の手法に対して単純だが重要な改善を規定している。
非コントラスト学習では、私たちのフレームワークを使って、シンプルで斬新な目的を導き出します。
論文 参考訳（メタデータ） (2022-09-13T18:01:03Z) - Robust Deep Semi-Supervised Learning: A Brief Introduction [63.09703308309176]
半教師付き学習(SSL)は、ラベルが不十分なときにラベル付きデータを活用することにより、学習性能を向上させることを目的としている。
ディープモデルによるSSLは、標準ベンチマークタスクで成功したことが証明されている。
しかし、それらは現実世界のアプリケーションにおける様々な堅牢性に対する脅威に対して依然として脆弱である。
論文 参考訳（メタデータ） (2022-02-12T04:16:41Z) - The Role of Global Labels in Few-Shot Classification and How to Infer
Them [55.64429518100676]
メタ学習では、ほとんどショット学習が中心的な問題であり、学習者は新しいタスクに迅速に適応しなければならない。
本稿では,メタラベル学習(MeLa)を提案する。メタラベル学習(MeLa)は,グローバルラベルを推論し,標準分類によるロバストな少数ショットモデルを得る新しいアルゴリズムである。
論文 参考訳（メタデータ） (2021-08-09T14:07:46Z) - Graph-based Semi-supervised Learning: A Comprehensive Review [51.26862262550445]
半教師付き学習(ssl)はラベル付きデータとラベルなしデータの両方を利用する能力があるため、実際非常に価値があります。
重要なSSLメソッドのクラスは、グラフベースの半教師付き学習(GSSL)メソッドに対応するグラフとしてデータを自然に表現することです。
GSSLメソッドは、構造のユニークさ、アプリケーションの普遍性、大規模データへのスケーラビリティのために、さまざまなドメインでその利点を実証しています。
論文 参考訳（メタデータ） (2021-02-26T05:11:09Z)
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。