Fugu-MT 論文翻訳(概要): Unsupervised Difficulty Estimation with Action Scores

論文の概要: Unsupervised Difficulty Estimation with Action Scores

arxiv url: http://arxiv.org/abs/2011.11461v1
Date: Mon, 23 Nov 2020 15:18:44 GMT
ステータス: 処理完了
システム内更新日: 2022-09-22 01:36:11.884978
Title: Unsupervised Difficulty Estimation with Action Scores
Title（参考訳）: アクションスコアを用いた教師なし難易度推定
Authors: Octavio Arriaga and Matias Valdenegro-Toro
Abstract要約: トレーニング中の各サンプルの損失の蓄積に基づいて,難易度を簡易に算出する手法を提案する。提案手法では,コールバックとして実装できるため,外部監視も不要である。
参考スコア（独自算出の注目度）: 7.6146285961466
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Evaluating difficulty and biases in machine learning models has become of extreme importance as current models are now being applied in real-world situations. In this paper we present a simple method for calculating a difficulty score based on the accumulation of losses for each sample during training. We call this the action score. Our proposed method does not require any modification of the model neither any external supervision, as it can be implemented as callback that gathers information from the training process. We test and analyze our approach in two different settings: image classification, and object detection, and we show that in both settings the action score can provide insights about model and dataset biases.
Abstract（参考訳）: 機械学習モデルの難易度とバイアスの評価は、現在のモデルが現実の状況に適用されているため、非常に重要になっている。本稿では,トレーニング中の各サンプルの損失の蓄積に基づいて,難易度を簡易に算出する手法を提案する。これをアクションスコアと呼びます。提案手法は,トレーニングプロセスから情報を収集するコールバックとして実装できるので,外部監視を一切必要としない。我々は、イメージ分類とオブジェクト検出という2つの異なる設定でアプローチをテスト、分析し、両方の設定でアクションスコアがモデルとデータセットのバイアスに関する洞察を提供することを示す。

関連論文リスト

Towards Understanding the Feasibility of Machine Unlearning [14.177012256360635]
未学習の難易度を定量化するための新しい指標のセットを提案する。具体的には,学習を成功させるのに必要な条件を評価するために,いくつかの指標を提案する。また、最も難解なサンプルを特定するためのランキング機構も提示する。
論文参考訳（メタデータ） (2024-10-03T23:41:42Z)
Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
論文参考訳（メタデータ） (2024-06-19T08:07:14Z)
Distilled Datamodel with Reverse Gradient Matching [74.75248610868685]
オフライントレーニングとオンライン評価段階を含む,データ影響評価のための効率的なフレームワークを提案する。提案手法は, 直接再学習法と比較して, プロセスの大幅な高速化を図りながら, 同等のモデル行動評価を実現する。
論文参考訳（メタデータ） (2024-04-22T09:16:14Z)
An Information Theoretic Approach to Machine Unlearning [45.600917449314444]
学びの鍵となる課題は、モデルのパフォーマンスを保ちながら、必要なデータをタイムリーに忘れることである。この研究では、ゼロショットのアンラーニングシナリオに対処し、未学習のアルゴリズムは、トレーニングされたモデルと忘れられるデータだけが与えられたデータを削除できなければならない。モデルの幾何に基づいて、単純だが原則化されたゼロショットアンラーニング法を導出する。
論文参考訳（メタデータ） (2024-02-02T13:33:30Z)
Generalization Properties of Retrieval-based Models [50.35325326050263]
検索ベースの機械学習手法は、幅広い問題で成功をおさめた。これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
論文参考訳（メタデータ） (2022-10-06T00:33:01Z)
Probing Representation Forgetting in Supervised and Unsupervised Continual Learning [14.462797749666992]
破滅的な忘れ物は、以前にモデルで学んだ知識の急激な喪失と関係している。表現を忘れることによって,モデル能力と損失関数が連続学習に与える影響について新たな知見が得られることを示す。
論文参考訳（メタデータ） (2022-03-24T23:06:08Z)
On Modality Bias Recognition and Reduction [70.69194431713825]
マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
論文参考訳（メタデータ） (2022-02-25T13:47:09Z)
CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
論文参考訳（メタデータ） (2022-02-11T13:49:51Z)
Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
論文参考訳（メタデータ） (2021-01-20T11:48:12Z)
Identifying Wrongly Predicted Samples: A Method for Active Learning [6.976600214375139]
本稿では,不確実性を超えた単純なサンプル選択基準を提案する。予測されたサンプルを正しく識別するために、最先端の結果とより良いレートを示す。
論文参考訳（メタデータ） (2020-10-14T09:00:42Z)
Visually Analyzing and Steering Zero Shot Learning [2.802183323381949]
本研究では,ゼロショット学習モデルの解析とステアリングを支援する視覚分析システムを提案する。使用シナリオを通じて,ゼロショット学習におけるパフォーマンス向上のために,我々のシステムがいかに役立つかを強調した。
論文参考訳（メタデータ） (2020-09-11T06:58:13Z)

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。