論文の概要: Human vs. supervised machine learning: Who learns patterns faster?

• arxiv url: http://arxiv.org/abs/2012.03661v1
• Date: Mon, 30 Nov 2020 13:39:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 15:00:45.757223
• Title: Human vs. supervised machine learning: Who learns patterns faster?
• Title（参考訳）: 人間対教師付き機械学習:誰がより早くパターンを学ぶのか?
• Authors: Niklas K\"uhl, Marc Goutier, Lucas Baier, Clemens Wolff, Dominik Martin
• Abstract要約: 本研究は,訓練データに制限がある場合に,人間と機械の学習性能がどう違うかを示す。 我々は、44人の人間と3つの異なる機械学習アルゴリズムがラベル付きトレーニングデータのパターンを識別し、発見したパターンに従ってインスタンスをラベル付けする実験を設計した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The capabilities of supervised machine learning (SML), especially compared to human abilities, are being discussed in scientific research and in the usage of SML. This study provides an answer to how learning performance differs between humans and machines when there is limited training data. We have designed an experiment in which 44 humans and three different machine learning algorithms identify patterns in labeled training data and have to label instances according to the patterns they find. The results show a high dependency between performance and the underlying patterns of the task. Whereas humans perform relatively similarly across all patterns, machines show large performance differences for the various patterns in our experiment. After seeing 20 instances in the experiment, human performance does not improve anymore, which we relate to theories of cognitive overload. Machines learn slower but can reach the same level or may even outperform humans in 2 of the 4 of used patterns. However, machines need more instances compared to humans for the same results. The performance of machines is comparably lower for the other 2 patterns due to the difficulty of combining input features.
• Abstract（参考訳）: 教師あり機械学習(SML)の能力、特に人間の能力と比較して、科学的研究やSMLの利用について論じられている。 本研究は,トレーニングデータに制限がある場合,人間と機械の学習性能がどう異なるかを示す。 我々は、44人の人間と3つの異なる機械学習アルゴリズムがラベル付きトレーニングデータのパターンを識別し、発見したパターンに従ってインスタンスをラベル付けする実験を設計した。 結果は、パフォーマンスとタスクの根底にあるパターンの間に高い依存性を示す。 人間はあらゆるパターンに対して比較的よく似ているが、機械は実験において様々なパターンに対して大きな性能差を示す。 実験で20の事例を見た後、人間のパフォーマンスはもはや改善せず、認知的過負荷の理論に関連している。 機械はゆっくりと学習するが、同じレベルに達することもあれば、使用済みパターンの4つのうち2つで人間を上回ることもある。 しかし、同じ結果を得るためには、機械は人間よりも多くのインスタンスを必要とする。 入力特徴を組み合わせることが困難であるため、他の2パターンに比べて機械の性能は比較的に低い。

関連論文リスト

• Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
  模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。 本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。 GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
  論文  参考訳（メタデータ） (2024-07-22T06:12:21Z)
• Do humans and machines have the same eyes? Human-machine perceptual differences on image classification [8.474744196892722]
  訓練されたコンピュータビジョンモデルは、トレーニングラベルから学んだ人間の振る舞いを模倣することにより、視覚課題を解決すると仮定される。 本研究はまず,2つの情報源からの誤りの統計的分布を定量化し,解析する。 我々は、人間や機械を単独で上回るポストホックな人間と機械のコラボレーションを実証的に実証する。
  論文  参考訳（メタデータ） (2023-04-18T05:09:07Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• Human Decision Makings on Curriculum Reinforcement Learning with Difficulty Adjustment [52.07473934146584]
  我々は,カリキュラム強化学習結果を,人的意思決定プロセスから学ぶことで,難しすぎず,難しすぎるような望ましいパフォーマンスレベルに導く。 本システムは非常に並列化可能であり,大規模強化学習アプリケーションの訓練が可能となる。 強化学習性能は、人間の所望の難易度と同期してうまく調整できることが示される。
  論文  参考訳（メタデータ） (2022-08-04T23:53:51Z)
• Human's Role in-the-Loop [15.759742984491412]
  このブログは、マッチングにおける認知タスクの達成における人間と機械の役割について論じている。 人間と機械の伝統的な役割が変化しているかどうかを判断することを目的としている。 変化の可能な2つのモード、すなわち人間と人間の出入りについて論じる。
  論文  参考訳（メタデータ） (2022-04-27T13:11:54Z)
• Comparing Facial Expression Recognition in Humans and Machines: Using CAM, GradCAM, and Extremal Perturbation [5.025654873456756]
  表情認識(FER)は、心理学と機械学習の両方において重要な研究を惹きつけるトピックである。 本研究では,2段階の強制選択課題における人間と機械の認識性能と注意パターンを比較した。
  論文  参考訳（メタデータ） (2021-10-09T06:54:41Z)
• What Matters in Learning from Offline Human Demonstrations for Robot Manipulation [64.43440450794495]
  ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。 我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。 人間のデータセットから学ぶ機会を強調します。
  論文  参考訳（メタデータ） (2021-08-06T20:48:30Z)
• Dissonance Between Human and Machine Understanding [16.32018730049208]
  本稿では,人間と機械の理解との不協和を解明し,定量化する大規模クラウドソーシング研究を行う。 私たちの発見は、人工知能の分野における長期的な目標は、人間のように学習し推論できる機械を作ることであると考え、人間と機械のコラボレーションに重要な意味を持つ。
  論文  参考訳（メタデータ） (2021-01-18T21:45:35Z)
• Large-scale randomized experiment reveals machine learning helps people learn and remember more effectively [14.305363222114543]
  私たちは、人々が現実の素材を学習し記憶する方法を改善するために、機械学習の可能性を明らかにすることに重点を置いています。 我々は,モビリティ分野の人気のある学習アプリから,何千人もの学習者を対象に,大規模ランダム化制御試験を実施している。
  論文  参考訳（メタデータ） (2020-10-09T08:30:15Z)
• A robot that counts like a child: a developmental model of counting and pointing [69.26619423111092]
  実物を数えることができる新しい神経ロボティクスモデルを導入する。 このモデルにより,エンボディメントと数値認識の相互作用を調べることができる。 トレーニングされたモデルは、アイテムのセットをカウントすることができ、同時にそれらを指し示します。
  論文  参考訳（メタデータ） (2020-08-05T21:06:27Z)
• Learning Predictive Models From Observation and Interaction [137.77887825854768]
  世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。 しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。 本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
  論文  参考訳（メタデータ） (2019-12-30T01:10:41Z)

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。