Fugu-MT 論文翻訳(概要): Teaching Key Machine Learning Principles Using Anti-learning Datasets

論文の概要: Teaching Key Machine Learning Principles Using Anti-learning Datasets

arxiv url: http://arxiv.org/abs/2011.10660v1
Date: Mon, 16 Nov 2020 05:43:40 GMT
ステータス: 処理完了
システム内更新日: 2022-09-25 01:16:12.534959
Title: Teaching Key Machine Learning Principles Using Anti-learning Datasets
Title（参考訳）: アンチラーニングデータセットを用いたキー機械学習原則の指導
Authors: Chris Roadknight, Prapa Rattadilok, Uwe Aickelin
Abstract要約: 我々は、最良の解に一般化する代替方法の教えを提唱する。学生は、トレーニングプロセスから除外されたデータに対する検証の重要性についてより深く理解することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Much of the teaching of machine learning focuses on iterative hill-climbing approaches and the use of local knowledge to gain information leading to local or global maxima. In this paper we advocate the teaching of alternative methods of generalising to the best possible solution, including a method called anti-learning. By using simple teaching methods, students can achieve a deeper understanding of the importance of validation on data excluded from the training process and that each problem requires its own methods to solve. We also exemplify the requirement to train a model using sufficient data by showing that different granularities of cross-validation can yield very different results.
Abstract（参考訳）: 機械学習の教育の多くは、反復的なヒルクライミングアプローチと、ローカルあるいはグローバルの最大化につながる情報を得るためのローカル知識の利用に焦点を当てている。本稿では,アンチラーニング(アンチラーニング)と呼ばれる手法を含む,最適解への代替手法の教育を提唱する。簡単な指導方法を用いることで、学生はトレーニングプロセスから除外されたデータに対する検証の重要性をより深く理解することができ、各問題には独自の解決方法が必要である。また, クロスバリデーションの粒度が異なっており, 結果が全く異なることを示すことにより, 十分なデータを用いてモデルを訓練する必要性を例示する。

関連論文リスト

A Unified Framework for Continual Learning and Unlearning [9.538733681436836]
継続的学習と機械学習は機械学習において重要な課題であり、通常は別々に対処される。制御された知識蒸留を活用することにより,両課題に共同で取り組む新しい枠組みを導入する。我々のアプローチは、最小限の忘れ込みと効果的な標的未学習で効率的な学習を可能にする。
論文参考訳（メタデータ） (2024-08-21T06:49:59Z)
Learn while Unlearn: An Iterative Unlearning Framework for Generative Language Models [49.043599241803825]
Iterative Contrastive Unlearning (ICU)フレームワークは3つのコアコンポーネントで構成されている。知識未学習誘導モジュールは、未学習の損失を通じて特定の知識を除去する。 Contrastive Learning Enhancementモジュールは、純粋な未学習の目標に対してモデルの表現力を維持する。また、特定のデータ片の未学習範囲を動的に評価し、反復的な更新を行う反復未学習リファインメントモジュールも用意されている。
論文参考訳（メタデータ） (2024-07-25T07:09:35Z)
Towards Automated Knowledge Integration From Human-Interpretable Representations [55.2480439325792]
我々は,情報メタ学習の原理を理論的に導入・動機付けし,自動的かつ制御可能な帰納バイアス選択を可能にする。データ効率と一般化を改善するための情報メタラーニングのメリットと限界を実証的に示す。
論文参考訳（メタデータ） (2024-02-25T15:08:37Z)
Knowledge Distillation for Road Detection based on cross-model Semi-Supervised Learning [17.690698736544626]
本稿では,知識蒸留と半教師付き学習手法を組み合わせた統合的アプローチを提案する。このハイブリッドアプローチは、大規模モデルのロバストな機能を活用して、大規模な未ラベルデータを効果的に活用する。半教師付き学習に基づく知識蒸留(SSLKD)アプローチは,学生モデルの性能向上を示す。
論文参考訳（メタデータ） (2024-02-07T22:50:47Z)
MinT: Boosting Generalization in Mathematical Reasoning via Multi-View Fine-Tuning [53.90744622542961]
数学領域における推論は、小言語モデル(LM)にとって重要な課題である。多様なアノテーションスタイルで既存の数学的問題データセットを利用する新しい手法を提案する。実験結果から,LLaMA-7Bモデルが先行手法より優れていることが示された。
論文参考訳（メタデータ） (2023-07-16T05:41:53Z)
Implicit Offline Reinforcement Learning via Supervised Learning [83.8241505499762]
監視学習によるオフライン強化学習(RL)は、さまざまな専門レベルのポリシーによって収集されたデータセットからロボットスキルを学ぶための、シンプルで効果的な方法である。我々は、暗黙的なモデルが返却情報を利用して、固定されたデータセットからロボットスキルを取得するために、明示的なアルゴリズムにマッチするか、あるいは性能を向上するかを示す。
論文参考訳（メタデータ） (2022-10-21T21:59:42Z)
Understanding the World Through Action [91.3755431537592]
ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
論文参考訳（メタデータ） (2021-10-24T22:33:52Z)
On Data Efficiency of Meta-learning [17.739215706060605]
私たちは、現代のメタ学習アルゴリズムの見落とされがちな側面、すなわちそのデータ効率を研究します。本稿では,メタラーニング手法を評価するための新しいシンプルなフレームワークを提案する。本稿では,アクティブなデータ選択を学習学習に取り入れたアクティブなメタラーニングを提案する。
論文参考訳（メタデータ） (2021-01-30T01:44:12Z)
An analysis on the use of autoencoders for representation learning: fundamentals, learning task case studies, explainability and challenges [11.329636084818778]
多くの機械学習タスクでは、データの優れた表現を学ぶことが、優れたパフォーマンスのソリューションを構築するための鍵となる。可視化のためのデータ埋め込み,画像認識,セマンティックハッシュ,異常行動の検出,インスタンス生成など,一連の学習課題を提示する。オートエンコーダを唯一の学習方法として用いた各タスクに対して,解を提案する。
論文参考訳（メタデータ） (2020-05-21T08:41:57Z)
Provable Meta-Learning of Linear Representations [114.656572506859]
我々は、複数の関連するタスクから共通の機能の集合を学習し、その知識を新しい未知のタスクに転送する、という2つの課題に対処する、高速でサンプル効率のアルゴリズムを提供する。また、これらの線形特徴を学習する際のサンプルの複雑さに関する情報理論の下限も提供する。
論文参考訳（メタデータ） (2020-02-26T18:21:34Z)

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。