論文の概要: Improved active output selection strategy for noisy environments
- arxiv url: http://arxiv.org/abs/2101.03499v1
- Date: Sun, 10 Jan 2021 08:27:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-08 08:23:34.850674
- Title: Improved active output selection strategy for noisy environments
- Title(参考訳): 騒音環境における能動出力選択戦略の改善
- Authors: Adrian Prochaska, Julien Pillas and Bernard B\"aker
- Abstract要約: モデルベースのキャリブレーションに必要なテストベンチ時間をテスト設計のためのアクティブラーニングメソッドで削減できます。
本稿では,アクティブ出力選択のための改良戦略を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The test bench time needed for model-based calibration can be reduced with
active learning methods for test design. This paper presents an improved
strategy for active output selection. This is the task of learning multiple
models in the same input dimensions and suits the needs of calibration tasks.
Compared to an existing strategy, we take into account the noise estimate,
which is inherent to Gaussian processes. The method is validated on three
different toy examples. The performance compared to the existing best strategy
is the same or better in each example. In a best case scenario, the new
strategy needs at least 10% less measurements compared to all other active or
passive strategies. Further efforts will evaluate the strategy on a real-world
application. Moreover, the implementation of more sophisticated active-learning
strategies for the query placement will be realized.
- Abstract(参考訳): モデルベースキャリブレーションに必要なテストベンチ時間は、テスト設計のためのアクティブな学習方法によって削減できる。
本稿では,アクティブ出力選択のための改良戦略を提案する。
これは、同じ入力次元で複数のモデルを学習するタスクであり、キャリブレーションタスクのニーズに合致する。
既存の戦略と比較して,ガウス過程に固有の雑音推定を考慮に入れた。
この方法は3つの異なるおもちゃの例で検証される。
既存のベスト戦略と比較したパフォーマンスは、それぞれの例で同じかそれ以上です。
最善のシナリオでは、新しい戦略は、他のすべてのアクティブまたはパッシブ戦略と比較して、少なくとも10%の計測を必要とする。
さらなる取り組みは、現実世界のアプリケーションにおける戦略を評価する。
さらに、クエリ配置のためのより洗練されたアクティブラーニング戦略の実装を実現する。
関連論文リスト
- Realistic Evaluation of Test-Time Adaptation Algorithms: Unsupervised Hyperparameter Selection [1.4530711901349282]
TTA(Test-Time Adaptation)は、分散シフト下での機械学習モデルロバストネスの問題に対処するための有望な戦略として登場した。
我々は,サロゲートベースのhp選択戦略を用いて既存のTTA手法を評価し,その性能をより現実的に評価する。
論文 参考訳(メタデータ) (2024-07-19T11:58:30Z) - Model-Free Active Exploration in Reinforcement Learning [53.786439742572995]
強化学習における探索問題について検討し,新しいモデルフリーソリューションを提案する。
我々の戦略は、最先端の探査アプローチよりも高速に効率的な政策を特定できる。
論文 参考訳(メタデータ) (2024-06-30T19:00:49Z) - Perturbation-based Active Learning for Question Answering [25.379528163789082]
アクティブラーニング(AL)トレーニング戦略を活用することで、アノテーションコストの少ない質問応答(QA)モデルを構築することができる。
モデルを効果的に更新するために、最も情報に富んだ未ラベルのトレーニングデータを選択する。
論文 参考訳(メタデータ) (2023-11-04T08:07:23Z) - On the Effectiveness of Fine-tuning Versus Meta-reinforcement Learning [71.55412580325743]
本稿では,新しいタスクを微調整したマルチタスク事前学習がメタテスト時間適応によるメタ事前学習と同等かそれ以上に機能することを示す。
マルチタスク事前学習はメタRLよりもシンプルで計算的に安価である傾向があるため、これは将来の研究を奨励している。
論文 参考訳(メタデータ) (2022-06-07T13:24:00Z) - 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) - Learning active learning at the crossroads? evaluation and discussion [0.03807314298073299]
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。
論文 参考訳(メタデータ) (2020-12-16T10:35:43Z) - 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) - Semi-supervised Batch Active Learning via Bilevel Optimization [89.37476066973336]
両レベル最適化によるデータ要約問題として,本手法を定式化する。
本手法は,ラベル付きサンプルがほとんど存在しない場合,レジーム内のキーワード検出タスクにおいて極めて有効であることを示す。
論文 参考訳(メタデータ) (2020-10-19T16:53:24Z) - Localized active learning of Gaussian process state space models [63.97366815968177]
多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。
本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。
モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
論文 参考訳(メタデータ) (2020-05-04T05:35:02Z) - Learning to Select Base Classes for Few-shot Classification [96.92372639495551]
我々は、数ショットモデルの一般化性能を示す指標として、類似度比を用いる。
次に、類似度比に対する部分モジュラー最適化問題として基底クラス選択問題を定式化する。
論文 参考訳(メタデータ) (2020-04-01T09:55:18Z) - Adaptive strategy in differential evolution via explicit exploitation
and exploration controls [0.0]
本稿では,明示的適応スキーム (Ea scheme) という新しい戦略適応手法を提案する。
Eaスキームは複数の戦略を分離し、それらをオンデマンドで採用する。
ベンチマーク関数に関する実験的研究は、Eaスキームの有効性を示す。
論文 参考訳(メタデータ) (2020-02-03T09:12:32Z)
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。