論文の概要: Learning User's confidence for active learning

• arxiv url: http://arxiv.org/abs/2104.07791v1
• Date: Thu, 15 Apr 2021 21:54:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-20 07:20:32.100325
• Title: Learning User's confidence for active learning
• Title（参考訳）: アクティブラーニングに対するユーザの自信の学習
• Authors: Devis Tuia, Jordi Munoz-Mari
• Abstract要約: 作業シナリオにおけるアクティブラーニングの適用性について検討する。 本稿では,ラベル付けにおけるユーザの信頼度を学習する分類器に基づくフィルタリング手法を提案する。
• 参考スコア（独自算出の注目度）: 7.048970471861424
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In this paper, we study the applicability of active learning in operative scenarios: more particularly, we consider the well-known contradiction between the active learning heuristics, which rank the pixels according to their uncertainty, and the user's confidence in labeling, which is related to both the homogeneity of the pixel context and user's knowledge of the scene. We propose a filtering scheme based on a classifier that learns the confidence of the user in labeling, thus minimizing the queries where the user would not be able to provide a class for the pixel. The capacity of a model to learn the user's confidence is studied in detail, also showing the effect of resolution is such a learning task. Experiments on two QuickBird images of different resolutions (with and without pansharpening) and considering committees of users prove the efficiency of the filtering scheme proposed, which maximizes the number of useful queries with respect to traditional active learning.
• Abstract（参考訳）: 本稿では,動作シナリオにおけるアクティブラーニングの適用性について検討し,特に,不確実性に応じて画素をランク付けするアクティブラーニングヒューリスティックスと,ピクセルコンテキストの均一性とユーザのシーンに関する知識の両方に関連するユーザのラベリングに対する信頼性の矛盾について考察する。 本稿では,ラベル付けにおけるユーザの信頼度を学習する分類器に基づくフィルタリング手法を提案する。 ユーザの信頼度を学習するモデルの能力について詳細に研究し、また、解決の効果を示すこともそのような学習課題である。 異なる解像度の2つのQuickBird画像(パンスハーペティングとパンスハーペニング)とユーザ委員会による実験により,従来のアクティブラーニングに関して有用なクエリの数を最大化するフィルタリング方式の有効性が証明された。

関連論文リスト

• Impact of Feedback Type on Explanatory Interactive Learning [4.039245878626345]
  Explanatory Interactive Learning (XIL)は、Human-in-the-Loop(HITL)ベースの対話型学習シナリオを実装するために、視覚モデルの説明に関するユーザフィードバックを収集する。 画像分類タスクにおける2つの異なるユーザフィードバックタイプの有効性を比較した。 本研究では,モデルに有効な画像特徴にフォーカスするよう指示するユーザフィードバックよりも優れた分類と説明の精度で,モデルが有意な結果を見出すような突発的な画像特徴の識別と注釈を示す。
  論文  参考訳（メタデータ） (2022-09-26T07:33:54Z)
• FaIRCoP: Facial Image Retrieval using Contrastive Personalization [43.293482565385055]
  属性から顔画像を取得することは、顔認識や被疑者識別などの様々なシステムにおいて重要な役割を果たす。 既存の方法は、ユーザのメンタルイメージの特定の特徴を、提案した画像と比較することで実現している。 そこで本研究では,ユーザのフィードバックを用いて,対象画像と類似あるいは異な画像とラベル付けする手法を提案する。
  論文  参考訳（メタデータ） (2022-05-28T09:52:09Z)
• Multi-Label Image Classification with Contrastive Learning [57.47567461616912]
  コントラスト学習の直接適用は,複数ラベルの場合においてほとんど改善できないことを示す。 完全教師付き環境下でのコントラスト学習を用いたマルチラベル分類のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-24T15:00:47Z)
• User Role Discovery and Optimization Method based on K-means + Reinforcement learning in Mobile Applications [0.3655021726150368]
  長期的な安定と、ユーザ共有機能のセットは、ユーザロールとして抽象化できる。 この役割はユーザの社会的背景、職業、生活習慣と密接に関連している。
  論文  参考訳（メタデータ） (2021-07-02T06:40:12Z)
• A survey of active learning algorithms for supervised remote sensing image classification [5.384800591054857]
  効率的なトレーニングセットを定義することは、リモートセンシングイメージ分類ルーチンの成功の最も繊細なフェーズの1つです。 アクティブラーニングは、サンプリングを通じてモデルのパフォーマンスを反復的に改善することで、効率的なトレーニングセットの構築を目指しています。 本稿では、アクティブ学習アルゴリズムの主なファミリであるコミッション、大きなマージン、後方確率ベースをレビューおよびテストする。
  論文  参考訳（メタデータ） (2021-04-15T21:36:59Z)
• ProxylessKD: Direct Knowledge Distillation with Inherited Classifier for Face Recognition [84.49978494275382]
  知識蒸留(KD)とは、大きなモデルから小さなモデルに知識を移すことである。 本研究では,顔認識におけるその応用に焦点を当てる。 本稿では,顔認識の精度を直接最適化するProxylessKDを提案する。
  論文  参考訳（メタデータ） (2020-10-31T13:14:34Z)
• Fully Unsupervised Person Re-identification viaSelective Contrastive Learning [58.5284246878277]
  人物再識別(ReID)は、様々なカメラが捉えた画像の中から同一人物を検索することを目的としている。 教師なし特徴学習のための新しい選択型コントラスト学習フレームワークを提案する。 その結果,教師なしのReIDにおける手法の優位性について,最先端技術と比較した。
  論文  参考訳（メタデータ） (2020-10-15T09:09:23Z)
• Learning Product Rankings Robust to Fake Users [15.570621284198019]
  多くのオンラインプラットフォームでは、顧客の決定は製品ランキングに大きく影響される。 これらのプラットフォームは、顧客の行動に対応する同じデータを使用して、これらの製品のランク付けや注文方法を学ぶ。 このような不正行為を動機として,実ユーザと偽ユーザの混在するプラットフォームにおけるランキング問題について検討する。
  論文  参考訳（メタデータ） (2020-09-10T20:26:02Z)
• Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach [115.76667128325361]
  推奨モデルは、基礎となるユーザの関心を効果的に見積もり、将来の行動を予測することができる。 2つの表現モデルを含む帰納的協調フィルタリングフレームワークを提案する。 本モデルでは,限られたトレーニングレーティングと新規の未確認ユーザを対象に,数ショットのユーザに対して有望なレコメンデーションを行う。
  論文  参考訳（メタデータ） (2020-07-09T14:31:25Z)
• Empowering Active Learning to Jointly Optimize System and User Demands [70.66168547821019]
  我々は,アクティブラーニングシステムとユーザを協調的に(効率的に学習)するための,新しいアクティブラーニング手法を提案する。 本手法は,特定のユーザに対して,エクササイズの適切性を予測するために,学習を迅速かつ迅速に行う必要があるため,特に,この手法のメリットを生かした教育アプリケーションで研究する。 複数の学習戦略とユーザタイプを実際のユーザからのデータで評価し,代替手法がエンドユーザに適さない多くのエクササイズをもたらす場合,共同アプローチが両方の目標を満足できることを確認した。
  論文  参考訳（メタデータ） (2020-05-09T16:02:52Z)
• Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
  コントラスト学習は教師なし表現学習に革命をもたらした。 現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。 本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2020-04-14T16:29:42Z)

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。