論文の概要: Active Learning++: Incorporating Annotator's Rationale using Local Model Explanation

• arxiv url: http://arxiv.org/abs/2009.04568v1
• Date: Sun, 6 Sep 2020 08:07:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 08:13:09.977856
• Title: Active Learning++: Incorporating Annotator's Rationale using Local Model Explanation
• Title（参考訳）: Active Learning++: 局所モデル記述を用いたアノテーションの推論
• Authors: Bhavya Ghai, Q. Vera Liao, Yunfeng Zhang, Klaus Mueller
• Abstract要約: アノテーションは、与えられたクエリの重要性に基づいて入力特徴をランク付けすることで、ラベルを選択するための根拠を提供することができる。 すべての委員会モデルを等しく重み付けして次の事例を選択する代わりに、アノテータのランクにより高い一致で委員会モデルにより高い重みを割り当てます。 このアプローチは、LIMEのような局所的な説明を生成するためにモデルに依存しない手法を用いて、任意の種類のMLモデルに適用できる。
• 参考スコア（独自算出の注目度）: 84.10721065676913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new active learning (AL) framework, Active Learning++, which can utilize an annotator's labels as well as its rationale. Annotators can provide their rationale for choosing a label by ranking input features based on their importance for a given query. To incorporate this additional input, we modified the disagreement measure for a bagging-based Query by Committee (QBC) sampling strategy. Instead of weighing all committee models equally to select the next instance, we assign higher weight to the committee model with higher agreement with the annotator's ranking. Specifically, we generated a feature importance-based local explanation for each committee model. The similarity score between feature rankings provided by the annotator and the local model explanation is used to assign a weight to each corresponding committee model. This approach is applicable to any kind of ML model using model-agnostic techniques to generate local explanation such as LIME. With a simulation study, we show that our framework significantly outperforms a QBC based vanilla AL framework.
• Abstract（参考訳）: 本稿では,アノテータのラベルを活用できる新しいアクティブラーニング(al)フレームワークであるactive learning++を提案する。 アノテーションは、与えられたクエリの重要性に基づいて入力特徴をランク付けすることでラベルを選択するための根拠を提供することができる。 この追加のインプットを組み込むために,バググベースのクエリ by committee (qbc) サンプリング戦略における不一致対策を変更した。 すべての委員会モデルを等しく重み付けして次の事例を選択する代わりに、アノテータのランクにより高い一致で委員会モデルにより高い重みを割り当てます。 具体的には,各委員会モデルの特徴的重要度に基づく局所的な説明を作成した。 アノテータが提供する特徴ランキングと局所モデル説明との類似度スコアを用いて、対応する委員会モデルごとに重みを割り当てる。 このアプローチは、LIMEのような局所的な説明を生成するためにモデルに依存しない手法を用いて、任意の種類のMLモデルに適用できる。 シミュレーション研究により,本フレームワークはQBCベースのバニラALフレームワークよりも優れていた。

関連論文リスト

• The OCON model: an old but gold solution for distributable supervised classification [0.28675177318965045]
  本稿では,教師付き分類タスクに対するワンクラスアプローチとワンクラスネットワークモデルの構造的応用について紹介する。 現在の複雑なアーキテクチャ(90.0～93.7%)に匹敵する分類精度を実現する。
  論文  参考訳（メタデータ） (2024-10-05T09:15:01Z)
• Prompt Algebra for Task Composition [131.97623832435812]
  素早いチューニングを伴うビジュアル言語モデルを基本分類器として検討する。 合成分類器の性能向上のための制約付きプロンプトチューニングを提案する。 UTZapposでは、最高のベースモデルに対する分類精度を平均8.45%向上させる。
  論文  参考訳（メタデータ） (2023-06-01T03:20:54Z)
• KGxBoard: Explainable and Interactive Leaderboard for Evaluation of Knowledge Graph Completion Models [76.01814380927507]
  KGxBoardは、データの意味のあるサブセットを詳細に評価するためのインタラクティブなフレームワークである。 実験では,KGxBoardを用いることで,標準平均シングルスコアメトリクスでは検出が不可能であったことを強調した。
  論文  参考訳（メタデータ） (2022-08-23T15:11:45Z)
• Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
  本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。 提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
  論文  参考訳（メタデータ） (2022-02-22T01:34:35Z)
• Active metric learning and classification using similarity queries [21.589707834542338]
  本稿では、キーコンポーネントが類似性を反映したデータの表現を学習している問題に対して、新しい統合クエリフレームワークを適用することができることを示す。 提案手法の有効性を,アクティブなメトリック学習とアクティブな分類という2つの課題で実証する。
  論文  参考訳（メタデータ） (2022-02-04T03:34:29Z)
• SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
  我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。 まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。 次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
  論文  参考訳（メタデータ） (2020-11-20T08:26:10Z)
• Probabilistic Case-based Reasoning for Open-World Knowledge Graph Completion [59.549664231655726]
  ケースベース推論(CBR)システムは,与えられた問題に類似した事例を検索することで,新たな問題を解決する。 本稿では,知識ベース(KB)の推論において,そのようなシステムが実現可能であることを示す。 提案手法は,KB内の類似エンティティからの推論パスを収集することにより,エンティティの属性を予測する。
  論文  参考訳（メタデータ） (2020-10-07T17:48:12Z)
• Multi-label learning for dynamic model type recommendation [13.304462985219237]
  本稿では,オンラインローカルプール(OLP)技術のための問題非依存型動的ベースクラス化モデルを提案する。 提案するフレームワークは,関連するモデルタイプセットを推奨するマルチラベルメタ分類器を構築する。 実験の結果、異なるデータ分布は局所的な範囲で異なるモデルタイプを好んだ。
  論文  参考訳（メタデータ） (2020-04-01T16:42:12Z)
• Customized Video QoE Estimation with Algorithm-Agnostic Transfer Learning [1.452875650827562]
  小さなデータセット、ソースドメインのユーザプロファイルの多様性の欠如、QoEモデルのターゲットドメインの多様性の多さは、QoEモデルの課題である。 平均オピニオンスコア(MOS)上の汎用指標を分散化されたローカルモデルで共有する、トランスファーラーニングに基づくMLモデルトレーニング手法を提案する。 提案手法は,同一のMLアルゴリズムを実行するために,協調する局所ノードを必要としないため,互いに積み重ねた特定のMLアルゴリズムに非依存であることを示す。
  論文  参考訳（メタデータ） (2020-03-12T15:28:10Z)

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。