論文の概要: Unsupervised collaborative learning based on Optimal Transport theory
- arxiv url: http://arxiv.org/abs/2103.12071v1
- Date: Mon, 22 Mar 2021 17:28:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-24 13:43:58.667523
- Title: Unsupervised collaborative learning based on Optimal Transport theory
- Title(参考訳): 最適輸送理論に基づく教師なし協調学習
- Authors: Fatima Ezzahraa Ben Bouazza, Youn\`es Bennani
- Abstract要約: 協調学習は近年,非常に大きな成果を上げている。
交換が必要な情報の種類、停止の基準、適切な協力者を選択する方法など、まだいくつかの問題に苦しんでいます。
本論文では, 最適輸送理論に触発された新たなアプローチにより, コラボレーションの質の向上と課題の解決を目指す。
- 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: Collaborative learning has recently achieved very significant results. It
still suffers, however, from several issues, including the type of information
that needs to be exchanged, the criteria for stopping and how to choose the
right collaborators. We aim in this paper to improve the quality of the
collaboration and to resolve these issues via a novel approach inspired by
Optimal Transport theory. More specifically, the objective function for the
exchange of information is based on the Wasserstein distance, with a
bidirectional transport of information between collaborators. This formulation
allows to learns a stopping criterion and provide a criterion to choose the
best collaborators. Extensive experiments are conducted on multiple data-sets
to evaluate the proposed approach.
- Abstract(参考訳): 協調学習は近年,非常に大きな成果を上げている。
しかし、交換しなければならない情報の種類、停止の基準、適切な協力者を選ぶ方法など、いくつかの問題に苦しんでいる。
本稿では, 最適輸送理論に触発された新しいアプローチにより, コラボレーションの質の向上と課題の解決を目指す。
より具体的には、情報交換の目的関数はワッサーシュタイン距離に基づいており、共同作業者間で情報の双方向輸送を行う。
この定式化は停止基準を学習し、最高の協力者を選ぶための基準を与える。
提案手法を評価するために,複数のデータセット上で広範な実験を行った。
関連論文リスト
- Collective Counterfactual Explanations via Optimal Transport [3.97478982737167]
本稿では, 対実的説明を定式化するための集合的アプローチを提案する。
我々の問題は、輸送の最適な問題として自然に当てはまる。
本稿では,この手法が古典的対実的説明のデシデラタに対してどのように改善するかを説明する。
論文 参考訳(メタデータ) (2024-02-07T04:39:23Z) - Optimising Human-AI Collaboration by Learning Convincing Explanations [62.81395661556852]
本研究では,人間による意思決定によって安全を保ちながら協調的なシステムを構築する手法を提案する。
Ardentは、説明のための個人の好みに適応することで、効率的で効果的な意思決定を可能にする。
論文 参考訳(メタデータ) (2023-11-13T16:00:16Z) - UMC: A Unified Bandwidth-efficient and Multi-resolution based
Collaborative Perception Framework [20.713675020714835]
UMCと呼ばれる統一協調認識フレームワークを提案する。
マルチレゾリューション技術を用いて,コミュニケーション,コラボレーション,再構築プロセスの最適化を図っている。
実験の結果,提案したUTCは,最先端の協調認識手法よりも優れていたことが確認された。
論文 参考訳(メタデータ) (2023-03-22T09:09:02Z) - Assisting Human Decisions in Document Matching [52.79491990823573]
我々は,意思決定者のパフォーマンスを向上する支援情報の種類を評価するためのプロキシマッチングタスクを考案した。
ブラックボックスモデルによる説明を提供することで,マッチング作業におけるユーザの精度が低下することが判明した。
一方,タスク固有のデシラタに密接に対応するように設計されたカスタムメソッドは,ユーザのパフォーマンス向上に有効であることが判明した。
論文 参考訳(メタデータ) (2023-02-16T17:45:20Z) - Efficient Real-world Testing of Causal Decision Making via Bayesian
Experimental Design for Contextual Optimisation [12.37745209793872]
文脈的意思決定の評価と改善のためのデータ収集のためのモデルに依存しないフレームワークを提案する。
過去の治療課題の後悔をデータ効率で評価するために,本手法を用いた。
論文 参考訳(メタデータ) (2022-07-12T01:20:11Z) - Visualizing the Relationship Between Encoded Linguistic Information and
Task Performance [53.223789395577796]
本稿では,Pareto Optimalityの観点から,符号化言語情報とタスクパフォーマンスの動的関係について検討する。
我々は、機械翻訳と言語モデリングという2つの一般的なNLPタスクの実験を行い、様々な言語情報とタスクパフォーマンスの関係について検討する。
実験結果から,NLPタスクには構文情報が有用であるのに対して,より構文情報の符号化が必ずしも優れたパフォーマンスをもたらすとは限らないことが示唆された。
論文 参考訳(メタデータ) (2022-03-29T19:03:10Z) - A Field Guide to Federated Optimization [161.3779046812383]
フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。
本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
論文 参考訳(メタデータ) (2021-07-14T18:09:08Z) - Unsupervised collaborative learning using privileged information [0.0]
本稿では,Privileged Informationパラダイムを用いた学習に基づく協調クラスタリングについて述べる。
アルゴリズムと最先端の実装との比較により,提案手法を用いたコラボレーションプロセスの改善が示された。
論文 参考訳(メタデータ) (2021-03-24T12:43:49Z) - Task-Feature Collaborative Learning with Application to Personalized
Attribute Prediction [166.87111665908333]
本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。
具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。
実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
論文 参考訳(メタデータ) (2020-04-29T02:32:04Z) - Learning to Recover Reasoning Chains for Multi-Hop Question Answering
via Cooperative Games [66.98855910291292]
本稿では,弱い教師付き信号から推論連鎖を復元する学習法を提案する。
証拠通路をどのように選択し、どのように選択された通路を接続するかを2つのモデルで処理する。
評価のために、2つのマルチホップQAデータセットに基づいたベンチマークを作成しました。
論文 参考訳(メタデータ) (2020-04-06T03:54:38Z)
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。