論文の概要: Deep Bayesian Active Learning, A Brief Survey on Recent Advances
- arxiv url: http://arxiv.org/abs/2012.08044v1
- Date: Tue, 15 Dec 2020 02:06:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 12:25:05.329068
- Title: Deep Bayesian Active Learning, A Brief Survey on Recent Advances
- Title(参考訳): ディープベイズアクティブラーニング : 最近の進歩を振り返って
- Authors: Salman Mohamadi, Hamidreza Amindavar
- Abstract要約: アクティブラーニングは、ラベル付きデータの小さなサイズでモデルをトレーニングし始める。
ディープラーニングメソッドはモデルの不確実性を表現あるいは操作できない。
deep bayesian active learningフレームワークは、モデルにおける実践的な考察を提供する。
- 参考スコア(独自算出の注目度): 6.345523830122166
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Active learning frameworks offer efficient data annotation without remarkable
accuracy degradation. In other words, active learning starts training the model
with a small size of labeled data while exploring the space of unlabeled data
in order to select most informative samples to be labeled. Generally speaking,
representing the uncertainty is crucial in any active learning framework,
however, deep learning methods are not capable of either representing or
manipulating model uncertainty. On the other hand, from the real world
application perspective, uncertainty representation is getting more and more
attention in the machine learning community. Deep Bayesian active learning
frameworks and generally any Bayesian active learning settings, provide
practical consideration in the model which allows training with small data
while representing the model uncertainty for further efficient training. In
this paper, we briefly survey recent advances in Bayesian active learning and
in particular deep Bayesian active learning frameworks.
- Abstract(参考訳): アクティブな学習フレームワークは、顕著な精度の劣化なしに効率的なデータアノテーションを提供する。
言い換えれば、アクティブラーニングは、ラベル付きデータの小さなサイズでモデルをトレーニングし、ラベル付きデータの空間を探索し、ラベル付けされる最も有用なサンプルを選択する。
一般に、この不確実性を表現することは、どんな活動的な学習フレームワークにおいても重要であるが、深層学習法はモデルの不確実性を表現または操作することができない。
一方、現実世界のアプリケーションの観点からすると、機械学習コミュニティでは不確実性表現がますます注目を集めています。
ディープベイズアクティブラーニングフレームワークおよび一般的にベイズアクティブラーニング設定は、モデルのより効率的なトレーニングのためにモデルの不確実性を表す一方で、小さなデータによるトレーニングを可能にするモデルの実践的考察を提供する。
本稿では,ベイジアンアクティブラーニングの最近の進歩,特にベイジアンアクティブラーニングの枠組みを概観する。
関連論文リスト
- What Makes Good Contrastive Learning on Small-Scale Wearable-based
Tasks? [59.51457877578138]
本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。
本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
論文 参考訳(メタデータ) (2022-02-12T06:10:15Z) - Reducing Label Effort: Self-Supervised meets Active Learning [32.4747118398236]
自己学習の最近の進歩は、いくつかのデータセットで教師付き学習に匹敵する非常に印象的な成果を上げている。
実験の結果, 自己学習は, ラベル付け作業の削減において, 積極的学習よりも極めて効率的であることが判明した。
自己学習またはスクラッチでトレーニングされたアクティブラーニングのパフォーマンスギャップは、データセットのほぼ半分がラベル付けされた時点に近づくにつれて減少します。
論文 参考訳(メタデータ) (2021-08-25T20:04:44Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳(メタデータ) (2021-04-11T12:14:04Z) - Just Label What You Need: Fine-Grained Active Selection for Perception
and Prediction through Partially Labeled Scenes [78.23907801786827]
提案手法は,コストに配慮した手法と,部分的にラベル付けされたシーンを通じて詳細なサンプル選択を可能にする一般化を導入している。
実世界の大規模自動運転データセットに関する我々の実験は、微粒な選択が知覚、予測、下流計画タスクのパフォーマンスを向上させることを示唆している。
論文 参考訳(メタデータ) (2021-04-08T17:57:41Z) - Low-Regret Active learning [64.36270166907788]
トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。
私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
論文 参考訳(メタデータ) (2021-04-06T22:53:45Z) - Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。
我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-05T14:15:49Z) - Efficacy of Bayesian Neural Networks in Active Learning [11.609770399591516]
ベイズニューラルネットワークは、アンサンブルに基づく不確実性を捕捉する技術よりも効率的であることを示す。
また,近年,モンテカルロのドロップアウトよりも効果的であることが判明したアンサンブル技法の重要な欠点も明らかにした。
論文 参考訳(メタデータ) (2021-04-02T06:02:11Z) - Active Learning for Sequence Tagging with Deep Pre-trained Models and
Bayesian Uncertainty Estimates [52.164757178369804]
自然言語処理のためのトランスファーラーニングとアクティブラーニングの最近の進歩は、必要なアノテーション予算を大幅に削減する可能性を開く。
我々は,様々なベイズ不確実性推定手法とモンテカルロドロップアウトオプションの実験的研究を,アクティブ学習フレームワークで実施する。
また, 能動学習中にインスタンスを取得するためには, 完全サイズのトランスフォーマーを蒸留版に置き換えることにより, 計算性能が向上することを示した。
論文 参考訳(メタデータ) (2021-01-20T13:59:25Z) - Active Learning: Problem Settings and Recent Developments [2.1574781022415364]
本稿では,アクティブラーニングの基本的課題と最近の研究動向について述べる。
特に,ラベリング用データからサンプルを選択する学習獲得関数の研究,アクティブ学習アルゴリズムに関する理論的研究,逐次データ取得のための停止基準について注目する。
論文 参考訳(メタデータ) (2020-12-08T05:24:06Z)
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。