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
- Meta-Prior: Meta learning for Adaptive Inverse Problem Solvers [9.364509804053275]
現実のイメージングの課題は、しばしば真実のデータを欠いているため、従来の監督されたアプローチは効果がない。
本手法では,様々な画像処理タスクに対してメタモデルを訓練し,特定のタスクに対して効率的に微調整を行う。
簡単な設定で、このアプローチはベイズ最適推定器を復元し、我々のアプローチの健全性を示す。
論文 参考訳(メタデータ) (2023-11-30T17:02:27Z) - ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。
ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。
ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-16T21:51:04Z) - 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) - Deep Active Learning in Remote Sensing for data efficient Change
Detection [26.136331738529243]
本研究では、変化検出とマップ更新のための深層ニューラルネットワークモデルの文脈におけるアクティブラーニングについて検討する。
アクティブな学習では、最小限のトレーニング例から始まり、ユーザによって注釈付けされた情報的サンプルを徐々に選択する。
能動学習は,高い情報的サンプルの発見に成功し,自動的にトレーニング分布のバランスをとることを示す。
論文 参考訳(メタデータ) (2020-08-25T17:58:17Z) - Exploiting the Matching Information in the Support Set for Few Shot
Event Classification [66.31312496170139]
数ショットの学習セットに基づくイベント分類について検討する。
本稿では,学習過程におけるサポートセットを効果的に活用する新たなトレーニング手法を提案する。
2つのベンチマークECデータセットを用いた実験の結果,提案手法は,イベント分類の精度を最大10%向上できることがわかった。
論文 参考訳(メタデータ) (2020-02-13T00:40:36Z)
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。