論文の概要: Learning active learning at the crossroads? evaluation and discussion

• arxiv url: http://arxiv.org/abs/2012.09631v1
• Date: Wed, 16 Dec 2020 10:35:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 02:52:58.698670
• Title: Learning active learning at the crossroads? evaluation and discussion
• Title（参考訳）: クロスロードでアクティブラーニングを学ぶか? 評価と議論
• Authors: Louis Desreumaux and Vincent Lemaire
• Abstract要約: アクティブラーニングは、人間の専門家がラベルを付けるのに役立つサンプルを予測することで、アノテーションコストを削減することを目指しています。 常にすべてのアプリケーションで他のすべてを上回る最高のアクティブ学習戦略はありません。 本稿では,最近のメタ学習アルゴリズムとマージンサンプリングを用いて学習した戦略を20のデータセットで比較したベンチマーク結果を示す。
• 参考スコア（独自算出の注目度）: 0.03807314298073299
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active learning aims to reduce annotation cost by predicting which samples are useful for a human expert to label. Although this field is quite old, several important challenges to using active learning in real-world settings still remain unsolved. In particular, most selection strategies are hand-designed, and it has become clear that there is no best active learning strategy that consistently outperforms all others in all applications. This has motivated research into meta-learning algorithms for "learning how to actively learn". In this paper, we compare this kind of approach with the association of a Random Forest with the margin sampling strategy, reported in recent comparative studies as a very competitive heuristic. To this end, we present the results of a benchmark performed on 20 datasets that compares a strategy learned using a recent meta-learning algorithm with margin sampling. We also present some lessons learned and open future perspectives.
• Abstract（参考訳）: アクティブラーニングは、人間の専門家がラベル付けするのに役立つサンプルを予測することによって、アノテーションのコストを削減することを目的としている。 この分野はかなり古いが、実世界の環境でアクティブラーニングを使うためのいくつかの重要な課題はまだ解決されていない。 特に、ほとんどの選択戦略は手作業で設計されており、すべてのアプリケーションで他の全てを一貫して上回る最高のアクティブな学習戦略は存在しないことが明らかになっている。 これは「積極的に学習する方法を学ぶ」メタ学習アルゴリズムの研究を動機付けている。 本稿では,このようなアプローチをランダムフォレストとマージンサンプリング戦略の関連性と比較し,最近の比較研究で非常に競争力のあるヒューリスティックであると報告した。 そこで本研究では,最近のメタラーニングアルゴリズムとマージンサンプリングを用いて学習した戦略を比較した20のデータセットを用いたベンチマーク結果を示す。 また、学習とオープンな将来の展望を示す。

関連論文リスト

• ALPBench: A Benchmark for Active Learning Pipelines on Tabular Data [18.553222868627792]
  ラベル付きデータの予算額のみが手に入るような環境では、アクティブラーニングはラベル付けすべき最も情報性の高いデータポイントを選択するためのクエリ戦略を考案しようとする。 活発な学習文献において,このようなクエリ戦略が提案され,比較されている。 コミュニティは、異なるクエリ戦略のパフォーマンスを比較するための標準ベンチマークをまだ持っていない。
  論文  参考訳（メタデータ） (2024-06-25T07:14:14Z)
• BAL: Balancing Diversity and Novelty for Active Learning [53.289700543331925]
  多様な不確実なデータのバランスをとるために適応的なサブプールを構築する新しいフレームワークであるBalancing Active Learning (BAL)を導入する。 我々のアプローチは、広く認識されているベンチマークにおいて、確立されたすべてのアクティブな学習方法より1.20%優れています。
  論文  参考訳（メタデータ） (2023-12-26T08:14:46Z)
• ALE: A Simulation-Based Active Learning Evaluation Framework for the Parameter-Driven Comparison of Query Strategies for NLP [3.024761040393842]
  Active Learning (AL)は、後続のサンプルやランダムなサンプルではなく、次にアノテータに有望なデータポイントを提案する。 この方法は、モデルパフォーマンスを維持しながらアノテーションの労力を節約することを目的としている。 NLPにおけるAL戦略の比較評価のための再現可能な能動学習評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-01T10:42:11Z)
• Algorithm Selection for Deep Active Learning with Imbalanced Datasets [11.902019233549474]
  アクティブな学習は、ディープネットワークのトレーニングに必要なラベル付きサンプルの数を減らすことを目的としている。 アクティブな学習戦略が与えられたアプリケーションでうまく機能するか、どれが最善であるかを事前に知るのは難しい。 深層能動学習のための適応型アルゴリズム選択手法を提案する。
  論文  参考訳（メタデータ） (2023-02-14T19:59:49Z)
• 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)
• Budget-aware Few-shot Learning via Graph Convolutional Network [56.41899553037247]
  本稿では,いくつかの例から新しい視覚概念を学習することを目的とした,数ショット学習の課題に取り組む。 数ショット分類における一般的な問題設定は、データラベルの取得においてランダムサンプリング戦略を前提としている。 そこで我々は,新しい対象カテゴリーの学習を目的とした,予算に配慮した数発の学習問題を新たに導入する。
  論文  参考訳（メタデータ） (2022-01-07T02:46:35Z)
• CoDiM: Learning with Noisy Labels via Contrastive Semi-Supervised Learning [58.107679606345165]
  ノイズラベル学習、半教師付き学習、コントラスト学習は、アノテーションコストの削減を必要とする学習プロセスを設計するための3つの異なる戦略である。 本稿では,コントラシブ・セミスーパーバイズド・ラーニング・アルゴリズムであるCSSLと,ノイズラベルを用いた学習のための新しいアルゴリズムであるCoDiMを提案する。
  論文  参考訳（メタデータ） (2021-11-23T04:56:40Z)
• Meta Navigator: Search for a Good Adaptation Policy for Few-shot Learning [113.05118113697111]
  少ないショット学習は、ラベル付きデータしか持たない新しいタスクに、以前のタスクから学んだ知識を適応させることを目的としている。 少数ショット学習に関する研究文献は、大きな多様性を示し、異なるアルゴリズムは、しばしば異なる少数ショット学習シナリオで優れている。 本稿では,メタナビゲータ(Meta Navigator)について紹介する。
  論文  参考訳（メタデータ） (2021-09-13T07:20:01Z)
• Rebuilding Trust in Active Learning with Actionable Metrics [77.99796068970569]
  アクティブラーニング(AL)は研究の活発な領域であるが、プレッシャーのあるニーズにもかかわらず、業界ではほとんど使われない。 これは部分的には目的のずれによるものであり、研究は選択したデータセットで最高の結果を得るよう努力している。 積極的学習における産業実践者の信頼回復を支援するために,様々な活動可能な指標を提示する。
  論文  参考訳（メタデータ） (2020-12-18T09:34:59Z)
• Active Output Selection Strategies for Multiple Learning Regression Models [0.0]
  戦略は同じ入力空間で複数の出力を積極的に学習する。 提案手法は,実世界の騒音を伴う3種類の玩具の例と,ベンチマークデータセットに適用する。 結果は有望だが,ノイズの多い環境に対するロバスト性を高めるためにアルゴリズムを改良する必要があることも示している。
  論文  参考訳（メタデータ） (2020-11-29T08:05:53Z)

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。