論文の概要: Test-Cost Sensitive Methods for Identifying Nearby Points
- arxiv url: http://arxiv.org/abs/2010.03962v1
- Date: Sun, 4 Oct 2020 23:12:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 03:04:30.617401
- Title: Test-Cost Sensitive Methods for Identifying Nearby Points
- Title(参考訳): 近接点同定のためのテストコスト感度法
- Authors: Seung Gyu Hyun and Christopher Leung
- Abstract要約: 本研究では, 大規模集合から近傍点を特定するために, テストコストに敏感な手法の問題点について検討する。
本稿では,木に基づくモデルと,深層強化学習に基づくモデルを提案する。
シミュレーションでは,実世界の5つのデータセットの集合において,モデルがランダムエージェントよりも優れていることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world applications that involve missing values are often constrained by
the cost to obtain data. Test-cost sensitive, or costly feature, methods
additionally consider the cost of acquiring features. Such methods have been
extensively studied in the problem of classification. In this paper, we study a
related problem of test-cost sensitive methods to identify nearby points from a
large set, given a new point with some unknown feature values. We present two
models, one based on a tree and another based on Deep Reinforcement Learning.
In our simulations, we show that the models outperform random agents on a set
of five real-world data sets.
- Abstract(参考訳): 値の欠如を伴う現実世界のアプリケーションは、しばしばデータを取得するコストによって制約される。
テストコストに敏感な、あるいはコストのかかる機能については、機能を取得するコストも考慮する。
このような手法は分類問題において広く研究されている。
本稿では,いくつかの特徴値が未知の新たな点を考慮し,その近傍の点を大規模集合から同定する,テストコストに敏感な手法の関連問題について検討する。
我々は,木に基づくモデルと深層強化学習に基づくモデルという2つのモデルを提案する。
シミュレーションでは,モデルが5つの実世界のデータセットのランダムエージェントよりも優れていることを示す。
関連論文リスト
- Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。
DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。
10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文 参考訳(メタデータ) (2024-07-20T01:34:13Z) - Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。
ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。
BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
論文 参考訳(メタデータ) (2024-07-10T18:00:54Z) - Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。
また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
論文 参考訳(メタデータ) (2024-05-13T14:44:22Z) - Scalable Learning of Item Response Theory Models [53.43355949923962]
項目応答理論(IRT)モデルは、分類データから、$m$テスト項目の遅延困難特性とともに、$n$試験の潜時能力を評価することを目的としている。
我々はこれらのモデルの類似性をロジスティック回帰に利用し、コアセットと呼ばれる小さな重み付き部分集合を用いて正確に近似することができる。
論文 参考訳(メタデータ) (2024-03-01T17:12:53Z) - A Model-free Closeness-of-influence Test for Features in Supervised
Learning [23.345517302581044]
本研究では,2つの特徴が応答値に与える影響の差について検討する。
まず、特徴の影響に対する近接性の概念を提案し、この定義がモデルにおける係数の大きさに関するよく知られた概念を回復させることを示す。
そこで本研究では,モデルなし教師あり学習問題における影響の近接性をテストする新しい手法を提案する。
論文 参考訳(メタデータ) (2023-06-20T19:20:18Z) - Pretrained equivariant features improve unsupervised landmark discovery [69.02115180674885]
我々は、この課題を克服する2段階の教師なしアプローチを、強力なピクセルベースの特徴を初めて学習することによって定式化する。
本手法は,いくつかの難解なランドマーク検出データセットにおいて最先端の結果を生成する。
論文 参考訳(メタデータ) (2021-04-07T05:42:11Z) - Active Learning for Deep Object Detection via Probabilistic Modeling [27.195742892250916]
オブジェクト検出のための新しい深層アクティブラーニング手法を提案する。
提案手法は,各局所化および分類ヘッドの出力に対する確率分布を推定する混合密度ネットワークに依存する。
本手法では,両頭部の2種類の不確実性を集約したスコアリング関数を用いて,各画像のインフォラティブネススコアを求める。
論文 参考訳(メタデータ) (2021-03-30T07:37:11Z) - A Comprehensive Study of Class Incremental Learning Algorithms for
Visual Tasks [11.230170401360633]
新しいデータに直面するとき、人工知能エージェントが能力を高める能力は、人工知能におけるオープンな挑戦である。
主な課題は破滅的な忘れ、すなわちニューラルネットワークが新しいものを摂取する際に過去のデータに不適合な傾向である。
本稿では,データセット数,データセットサイズ,境界メモリサイズ,インクリメンタルステート数の観点から,既存のフレームワークよりも徹底的な共通評価フレームワークを提案する。
論文 参考訳(メタデータ) (2020-11-03T16:59:21Z) - Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。
マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。
このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
論文 参考訳(メタデータ) (2020-01-06T13:37:51Z)
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。