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
- RLIF: Interactive Imitation Learning as Reinforcement Learning [61.14928315004026]
オフ・ポリティクス強化学習は、インタラクティブな模倣学習よりも近いが、潜在的にさらに実践的な仮定の下で、パフォーマンスを向上させることができる。
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) - Efficiently Measuring the Cognitive Ability of LLMs: An Adaptive Testing
Perspective [63.92197404447808]
大きな言語モデル(LLM)は、人間のような認知能力を示している。
LLM評価のための適応テストフレームワークを提案する。
このアプローチは、モデルの性能に基づいて、難易度などのテスト問題の特徴を動的に調整する。
論文 参考訳(メタデータ) (2023-06-18T09:54:33Z) - 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 from Mistakes -- A Framework for Neural Architecture Search [13.722450738258015]
LFM(Learning From Mistakes)と呼ばれる新しい機械学習手法を提案する。
LFMは、リビジョン中の誤りにもっと集中することで学習者の学習能力を向上させる。
CIFAR-10, CIFAR-100, Imagenet 上でのニューラルネットワーク探索に LFM フレームワークを適用した。
論文 参考訳(メタデータ) (2021-11-11T18:04:07Z) - Towards Lifelong Learning of Multilingual Text-To-Speech Synthesis [87.75833205560406]
本研究は,多言語テキスト音声(TTS)システムを学習するための生涯学習手法を提案する。
すべての言語からプールされたデータを必要としないため、ストレージと計算の負担が軽減される。
論文 参考訳(メタデータ) (2021-10-09T07:00:38Z) - Automated Performance Testing Based on Active Deep Learning [2.179313476241343]
ブラックボックス性能試験のためのACTAと呼ばれる自動テスト生成手法を提案する。
ACTAはアクティブな学習に基づいており、テスト中のシステムのパフォーマンス特性を知るために、大量の履歴テストデータを必要としないことを意味します。
我々は,ベンチマークWebアプリケーション上でACTAを評価し,本手法がランダムテストに匹敵することを示す実験結果を得た。
論文 参考訳(メタデータ) (2021-04-05T18:19:12Z) - 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。