論文の概要: Learning by Passing Tests, with Application to Neural Architecture Search

• arxiv url: http://arxiv.org/abs/2011.15102v2
• Date: Fri, 12 Mar 2021 03:43:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 22:54:11.866370
• Title: Learning by Passing Tests, with Application to Neural Architecture Search
• Title（参考訳）: テストのパスによる学習とニューラルアーキテクチャ探索への応用
• Authors: Xuefeng Du, Haochen Zhang, Pengtao Xie
• Abstract要約: そこで我々は,受験による学習という新しい学習手法を提案する。 テスターモデルは、学習者モデルを評価するために、ますます難しいテストを生成します。 学習者は、継続的に学習能力を改善して、テスターが作成した難しいテストに合格できるようにしようとする。
• 参考スコア（独自算出の注目度）: 19.33620150924791
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning through tests is a broadly used methodology in human learning and shows great effectiveness in improving learning outcome: a sequence of tests are made with increasing levels of difficulty; the learner takes these tests to identify his/her weak points in learning and continuously addresses these weak points to successfully pass these tests. We are interested in investigating whether this powerful learning technique can be borrowed from humans to improve the learning abilities of machines. We propose a novel learning approach called learning by passing tests (LPT). In our approach, a tester model creates increasingly more-difficult tests to evaluate a learner model. The learner tries to continuously improve its learning ability so that it can successfully pass however difficult tests created by the tester. We propose a multi-level optimization framework to formulate LPT, where the tester learns to create difficult and meaningful tests and the learner learns to pass these tests. We develop an efficient algorithm to solve the LPT problem. Our method is applied for neural architecture search and achieves significant improvement over state-of-the-art baselines on CIFAR-100, CIFAR-10, and ImageNet.
• Abstract（参考訳）: テストを通じて学ぶことは、ヒトの学習において広く使われる方法論であり、学習結果を改善する上で大きな効果を示す。 一連のテストは、難易度の増加によって行われる;学習者は、これらのテストを使って学習の弱点を特定し、これらの弱点に継続的に対処して、これらのテストに合格する。 この強力な学習技術が、機械の学習能力を向上させるために人間から借用できるかどうかを調べることに興味がある。 本稿では,パステスト(LPT)による学習という新しい学習手法を提案する。 我々のアプローチでは、テスタモデルは学習者モデルを評価するためにますますディファレントなテストを作成します。 学習者は、テスターが作成する難しいテストにうまく合格できるように、学習能力を継続的に改善しようとする。 我々は、lptを定式化するマルチレベル最適化フレームワークを提案し、テスト担当者は困難で有意義なテストを作成し、学習者はこれらのテストに合格することを学習する。 LPT問題を解決するための効率的なアルゴリズムを開発した。 本手法はニューラルネットワーク探索に適用され,CIFAR-100,CIFAR-10,ImageNetの最先端ベースラインよりも大幅に向上する。

関連論文リスト

• ExpTest: Automating Learning Rate Searching and Tuning with Insights from Linearized Neural Networks [0.0]
  本稿では,初期学習率探索とその後の学習率調整のための高度な手法であるExpTestを提案する。 ExpTestを数学的に正当化し、実証的なサポートを提供します。
  論文  参考訳（メタデータ） (2024-11-25T22:58:22Z)
• Historical Test-time Prompt Tuning for Vision Foundation Models [99.96912440427192]
  HisTPTは、学習したテストサンプルの有用な知識を記憶する、履歴的テストタイムプロンプトチューニング技術である。 HisTPTは、異なる視覚認識タスクを処理しながら、一貫した優れたプロンプトチューニング性能を達成する。
  論文  参考訳（メタデータ） (2024-10-27T06:03:15Z)
• A Block-Based Testing Framework for Scratch [9.390562437823078]
  自動テストの作成を可能にするブロックのカテゴリをScratchに導入する。 これらのブロックによって、学生や教師もテストを作成し、Scratch環境内で直接フィードバックを受け取ることができる。
  論文  参考訳（メタデータ） (2024-10-11T14:11:26Z)
• Implicit assessment of language learning during practice as accurate as explicit testing [0.5749787074942512]
  コンピュータ支援型言語学習において,2つの文脈における学生の能力評価に項目応答理論(IRT)を用いる。 まず、効率は良いが正確な適応テストで徹底的なテストを置き換えることを目的としている。 第2に,エクササイズによる実践の文脈から直接,テストなしで学習者の能力を正確に推定できるかどうかを検討する。
  論文  参考訳（メタデータ） (2024-09-24T14:40:44Z)
• Survey of Computerized Adaptive Testing: A Machine Learning Perspective [66.26687542572974]
  コンピュータ適応テスト (Computerized Adaptive Testing, CAT) は、試験の熟練度を評価するための効率的で調整された方法である。 本稿では,この適応テスト手法に対する新たな視点を提示し,機械学習に着目したCATに関する調査を行うことを目的とする。
  論文  参考訳（メタデータ） (2024-03-31T15:09:47Z)
• RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
  我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。 提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。 このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
  論文  参考訳（メタデータ） (2023-11-21T21:05:21Z)
• Towards Informed Design and Validation Assistance in Computer Games Using Imitation Learning [65.12226891589592]
  本稿では,自動ゲーム検証とテストのための新しいアプローチを提案する。 本手法は,データ駆動型模倣学習技術を活用し,時間と労力をほとんど必要とせず,機械学習やプログラミングの知識も必要としない。
  論文  参考訳（メタデータ） (2022-08-15T11:08:44Z)
• ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
  本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。 自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
  論文  参考訳（メタデータ） (2022-07-27T07:46:23Z)
• Learning by Teaching, with Application to Neural Architecture Search [10.426533624387305]
  学習による学習(LBT)と呼ばれる新しいMLフレームワークを提案する。 lbtでは、教師モデルが生徒モデルにうまく学ぶように教えることで自己改善する。 バリデーションデータセットで生徒がどのように振る舞うかに基づいて、教師はモデルを再学習し、生徒が優れたバリデーション性能に達するまで再指導する。
  論文  参考訳（メタデータ） (2021-03-11T23:50:38Z)
• Deep Reinforcement Learning for Adaptive Learning Systems [4.8685842576962095]
  学習者の潜在特性に基づいて,個別化学習計画の探索方法の問題点を定式化する。 最適な学習ポリシーを効果的に見つけることができるモデルフリーの深層強化学習アルゴリズムを適用した。 また,ニューラルネットワークを用いて学習者の学習過程をエミュレートする遷移モデル推定器を開発した。
  論文  参考訳（メタデータ） (2020-04-17T18:04:03Z)
• Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need? [72.00712736992618]
  メタトレーニングセット上で教師付きあるいは自己教師型表現を学習する単純なベースラインが、最先端の数ショット学習方法より優れていることを示す。 追加の増量は自己蒸留によって達成できる。 我々は,この発見が,画像分類ベンチマークとメタ学習アルゴリズムの役割を再考する動機となっていると考えている。
  論文  参考訳（メタデータ） (2020-03-25T17:58:42Z)

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。