論文の概要: Model Exploration with Cost-Aware Learning

• arxiv url: http://arxiv.org/abs/2010.04512v1
• Date: Fri, 9 Oct 2020 11:48:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 04:38:17.241876
• Title: Model Exploration with Cost-Aware Learning
• Title（参考訳）: コスト認識学習によるモデル探索
• Authors: Namid Stillman, Igor Balazs, Sabine Hauert
• Abstract要約: この研究は、既知のコストと未知のコストの両方を考慮し、学習者にはepsilon-frugalという用語を導入している。 我々は、よく知られた機械学習データセットの拡張を実証し、epsilon-frugal学習者は、既知のコストとランダムサンプリングの両方で学習者より優れていることを発見した。
• 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: We present an extension to active learning routines in which non-constant costs are explicitly considered. This work considers both known and unknown costs and introduces the term \epsilon-frugal for learners that do not only consider minimizing total costs but are also able to explore high cost regions of the sample space. We demonstrate our extension on a well-known machine learning dataset and find that out \epsilon-frugal learners outperform both learners with known costs and random sampling.
• Abstract（参考訳）: 非コンスタントなコストを明示的に考慮したアクティブな学習ルーチンの拡張を提案する。 この研究は既知のコストと未知のコストの両方を考慮し、総コストの最小化を考慮せず、サンプル空間の高コスト領域を探索できる学習者のための「epsilon-frugal」という用語を導入している。 機械学習データセットの拡張を実演し,学習者が既知のコストとランダムサンプリングの両方で優れることを示した。

関連論文リスト

• An Experimental Design Framework for Label-Efficient Supervised Finetuning of Large Language Models [55.01592097059969]
  命令データセットの監視された微調整は、目覚ましいゼロショットの一般化能力を達成する上で重要な役割を担っている。 アクティブラーニングは、未ラベルのプールからアノテートするサンプルの有用なサブセットを特定するのに効果的である。 本研究では,能動学習の計算ボトルネックを回避するための実験設計を提案する。
  論文  参考訳（メタデータ） (2024-01-12T16:56:54Z)
• Thrust: Adaptively Propels Large Language Models with External Knowledge [58.72867916604562]
  大規模事前学習言語モデル(PTLM)は、モデルパラメータの豊富な知識を符号化する。 PTLMの固有の知識は不透明または静的であり、外部の知識を必要とする。 本稿では,外部知識のインスタンスレベル適応推進(IAPEK)を提案する。
  論文  参考訳（メタデータ） (2023-07-19T20:16:46Z)
• Can Direct Latent Model Learning Solve Linear Quadratic Gaussian Control? [75.14973944905216]
  本研究では,高次元観測から状態表現を学習する課題について検討する。 我々は,ある潜在状態空間における動的モデルを,計画に直接関連する量を予測することによって学習する,直接潜在モデル学習手法を追求する。
  論文  参考訳（メタデータ） (2022-12-30T01:42:04Z)
• Instance Selection Mechanisms for Human-in-the-Loop Systems in Few-Shot Learning [0.0]
  ラベル付きデータをほとんど持たない新しいクラスを学習することで、データ収集とラベル付けのコストに対処する。 人的知識の獲得は,少数ショットモデルの性能を著しく向上させることを示す。 コンピュータビジョンと実世界のデータセットのベンチマークデータセットを用いて,様々な実験で得られた知見を検証した。
  論文  参考訳（メタデータ） (2022-07-14T11:45:43Z)
• Sample-Efficient Reinforcement Learning in the Presence of Exogenous Information [77.19830787312743]
  実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。 本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。 内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
  論文  参考訳（メタデータ） (2022-06-09T05:19:32Z)
• Consistent Estimators for Learning to Defer to an Expert [5.076419064097734]
  我々は、意思決定を下流の専門家に延期するか、予測するか選択できる予測器の学習方法を示す。 様々な実験課題に対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2020-06-02T18:21:38Z)
• Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
  深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。 具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。 蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
  論文  参考訳（メタデータ） (2020-03-06T06:28:17Z)
• Exploratory Machine Learning with Unknown Unknowns [60.78953456742171]
  本稿では,他のラベルと誤認識されたトレーニングデータに未知のクラスが存在するという,新たな問題設定について検討する。 本研究では,潜在的に隠蔽されたクラスを発見するために,機能空間を積極的に拡張することにより,学習データを調べ,調査する探索機械学習を提案する。
  論文  参考訳（メタデータ） (2020-02-05T02:06:56Z)

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。