Fugu-MT 論文翻訳(概要): Pool-based sequential active learning with multi kernels

論文の概要: Pool-based sequential active learning with multi kernels

arxiv url: http://arxiv.org/abs/2010.11421v1
Date: Thu, 22 Oct 2020 03:54:41 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 07:17:12.458485
Title: Pool-based sequential active learning with multi kernels
Title（参考訳）: マルチカーネルを用いたプール型逐次能動学習
Authors: Jeongmin Chae, Songnam Hong
Abstract要約: 本研究では,未ラベルデータの大規模なプールから1つのサンプルを毎回クエリする,プールベースシーケンシャルアクティブラーニング(AL)について検討する。提案する選択基準は,EKDとEKLという2つである。また、提案したEKDとEKLは、一般的なクエリ・バイ・コミッテ(QBC)と予測モデル・チェンジ(EMC)の概念を一般化することに成功した。
参考スコア（独自算出の注目度）: 10.203602318836444
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study a pool-based sequential active learning (AL), in which one sample is queried at each time from a large pool of unlabeled data according to a selection criterion. For this framework, we propose two selection criteria, named expected-kernel-discrepancy (EKD) and expected-kernel-loss (EKL), by leveraging the particular structure of multiple kernel learning (MKL). Also, it is identified that the proposed EKD and EKL successfully generalize the concepts of popular query-by-committee (QBC) and expected-model-change (EMC), respectively. Via experimental results with real-data sets, we verify the effectiveness of the proposed criteria compared with the existing methods.
Abstract（参考訳）: 本研究では, プールベース逐次能動学習(AL)について検討し, 1つのサンプルを選択基準に従ってラベルなしデータの大きなプールから毎回クエリする。本フレームワークでは,マルチカーネル学習(MKL)の特定の構造を利用して,期待カーネル分散(EKD)と期待カーネルロス(EKL)という2つの選択基準を提案する。また,提案したEKDとEKLは,それぞれQBC(committee)とEMC(pre expected-model-change)の概念を一般化することに成功した。実データを用いた実験結果から,提案手法と比較し,提案手法の有効性を検証した。

関連論文リスト

Diversified Batch Selection for Training Acceleration [68.67164304377732]
オンラインバッチ選択として知られる一般的な研究ラインでは、トレーニングプロセス中の情報サブセットの選択について検討している。バニラ参照モデルフリーメソッドは、独立してデータをサンプリング的にスコア付けし、選択する。 DivBS(Diversified Batch Selection)を提案する。
論文参考訳（メタデータ） (2024-06-07T12:12:20Z)
On the Use of Relative Validity Indices for Comparing Clustering Approaches [0.6990493129893111]
相対妥当性指標はクラスタリング結果の評価と最適化に広く用いられている。クラスタリングのための類似パラダイム(SP)を選択する際に、RVIを使う文献が増えつつある。本研究では,SP選択のためのRVIの信頼性に関する総合的研究を行った。
論文参考訳（メタデータ） (2024-04-16T07:39:54Z)
Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
論文参考訳（メタデータ） (2024-03-05T17:49:09Z)
Learning under Singularity: An Information Criterion improving WBIC and sBIC [1.0878040851637998]
我々は、Singularity(LS)の下での学習と呼ばれる新しい情報基準(IC)を導入する。 LSは規則性制約なしで有効であり、安定性を示す。このアプローチは、規則性制約のないモデル選択に対して、柔軟で堅牢な方法を提供する。
論文参考訳（メタデータ） (2024-02-20T07:09:39Z)
Counterfactual Explanations Using Optimization With Constraint Learning [0.0]
制約学習を用いた最適化手法(CE-OCL)を提案する。具体的には,制約学習フレームワークによる最適化を,対実的説明の生成に活用する方法について議論する。また,データ多様体の近接性と多様性に対処する2つの新しいモデリング手法を提案する。
論文参考訳（メタデータ） (2022-09-22T13:27:21Z)
A One-shot Framework for Distributed Clustered Learning in Heterogeneous Environments [54.172993875654015]
異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
論文参考訳（メタデータ） (2022-09-22T09:04:10Z)
Using Representation Expressiveness and Learnability to Evaluate Self-Supervised Learning Methods [61.49061000562676]
本稿では,学習可能性を評価するためにCluster Learnability (CL)を導入する。 CLは、K-meansで表現をクラスタリングすることによって得られたラベルを予測するために訓練されたKNNのパフォーマンスで測定される。 CLは、他の競合する評価手法よりも分布内モデルの性能と相関することがわかった。
論文参考訳（メタデータ） (2022-06-02T19:05:13Z)
Multiple-criteria Based Active Learning with Fixed-size Determinantal Point Processes [43.71112693633952]
本稿では,情報性,代表性,多様性の3つの相補的基準を取り入れた,複数基準に基づく能動学習アルゴリズムを提案する。提案手法は,他の複数基準のALアルゴリズムよりも性能が優れ,安定であることを示す。
論文参考訳（メタデータ） (2021-07-04T13:22:54Z)
Joint Contrastive Learning with Infinite Possibilities [114.45811348666898]
本稿では,新しい確率論的モデリングによるコントラスト学習における最近の発展の有用性について考察する。コントラスト学習(Joint Contrastive Learning, JCL)という,コントラスト学習の特定の形態を導出する。
論文参考訳（メタデータ） (2020-09-30T16:24:21Z)
Selective Inference for Latent Block Models [50.83356836818667]
本研究では,潜在ブロックモデルに対する選択的推論法を提案する。我々は,潜在ブロックモデルの行と列クラスタのメンバシップの集合に対する統計的テストを構築した。提案された正確で近似されたテストは、選択バイアスを考慮していない単純なテストと比較して効果的に機能する。
論文参考訳（メタデータ） (2020-05-27T10:44:19Z)

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。