論文の概要: Active Learning of Sequential Transducers with Side Information about
the Domain
- arxiv url: http://arxiv.org/abs/2104.11758v1
- Date: Fri, 23 Apr 2021 18:01:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-29 06:48:38.001642
- Title: Active Learning of Sequential Transducers with Side Information about
the Domain
- Title(参考訳): ドメインのサイド情報を用いたシーケンストランスデューサのアクティブラーニング
- Authors: Rapha\"el Berthon, Adrien Boiret, Guillermo A. Perez,
Jean-Fran\c{c}ois Raskin
- Abstract要約: グレイボックス学習では、目標に関する情報を予知することで学習プロセスが加速される。
この知識を用いて後続文字列トランスデューサを学習する文字列方程式ソルバを用いたアルゴリズムが存在することを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Active learning is a setting in which a student queries a teacher, through
membership and equivalence queries, in order to learn a language. Performance
on these algorithms is often measured in the number of queries required to
learn a target, with an emphasis on costly equivalence queries. In graybox
learning, the learning process is accelerated by foreknowledge of some
information on the target. Here, we consider graybox active learning of
subsequential string transducers, where a regular overapproximation of the
domain is known by the student. We show that there exists an algorithm using
string equation solvers that uses this knowledge to learn subsequential string
transducers with a better guarantee on the required number of equivalence
queries than classical active learning.
- Abstract(参考訳): アクティブ・ラーニング(英: Active Learning)とは、学生が言語を学ぶために、会員制と等価なクエリを通じて教師に質問する設定である。
これらのアルゴリズムのパフォーマンスは、しばしばターゲットを学ぶのに必要なクエリ数で測定され、コストのかかる等価クエリに重点を置いている。
グレイボックス学習では、目標に関する情報を予知することで学習プロセスが加速される。
本稿では,学生がドメインの正規な近似化を知っていれば,後続文字列トランスデューサのgraybox能動学習を考える。
そこで本研究では,この知識を生かした弦方程式解法を用いて,古典的アクティブラーニングよりも要求される等価クエリ数をより保証した後続文字列トランスデューサを学習するアルゴリズムが存在することを示す。
関連論文リスト
- Cache & Distil: Optimising API Calls to Large Language Models [82.32065572907125]
ジェネレーティブAIツールの大規模デプロイは、ユーザクエリをフルフィルするために、LLM(Large Language Model)に対する高価なAPI呼び出しに依存することが多い。
これらの呼び出しの頻度を縮めるために、より小さな言語モデル(学生)を用いることができる。
この学生は、ユーザー要求の増加に独立して対処する能力が徐々に向上する。
論文 参考訳(メタデータ) (2023-10-20T15:01:55Z) - Active Learning for Classifying 2D Grid-Based Level Completability [3.8073142980733]
本稿では,能動学習を学習レベルの可読性分類に用いることを提案する。
我々は、スーパーマリオブラザーズ、キッド・イカルス、ゼルダのようなゲームで生成されたレベルの補完性を分類するために、ディープラーニングモデルを訓練する。
論文 参考訳(メタデータ) (2023-09-08T14:56:22Z) - AttriCLIP: A Non-Incremental Learner for Incremental Knowledge Learning [54.66912435998658]
連続学習は、モデルが逐次到着したデータから段階的に知識を学習できるようにすることを目的としている。
本稿では,新しいクラスやタスクの知識を段階的に抽出する,AttriCLIPという非インクリメンタル学習手法を提案する。
論文 参考訳(メタデータ) (2023-05-19T07:39:17Z) - A Multi-label Continual Learning Framework to Scale Deep Learning
Approaches for Packaging Equipment Monitoring [57.5099555438223]
連続シナリオにおけるマルチラベル分類を初めて研究した。
タスク数に関して対数的複雑性を持つ効率的なアプローチを提案する。
我々は,包装業界における実世界のマルチラベル予測問題に対するアプローチを検証した。
論文 参考訳(メタデータ) (2022-08-08T15:58:39Z) - ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。
自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
論文 参考訳(メタデータ) (2022-07-27T07:46:23Z) - Active metric learning and classification using similarity queries [21.589707834542338]
本稿では、キーコンポーネントが類似性を反映したデータの表現を学習している問題に対して、新しい統合クエリフレームワークを適用することができることを示す。
提案手法の有効性を,アクティブなメトリック学習とアクティブな分類という2つの課題で実証する。
論文 参考訳(メタデータ) (2022-02-04T03:34:29Z) - Feedback Coding for Active Learning [15.239252118069762]
アクティブなサンプル選択タスクに最適なトランスポートベースのフィードバックコーディングスキームを開発しています。
各種データセット上でAPMを評価し,既存のアクティブラーニング手法に匹敵する学習性能を示す。
論文 参考訳(メタデータ) (2021-02-28T23:00:34Z) - Adversarial Training for Code Retrieval with Question-Description
Relevance Regularization [34.29822107097347]
入力問題から難しいコードスニペットを生成するために,簡単な逆学習手法を適用した。
本稿では,逆学習の規則化に質問記述の関連性を活用することを提案する。
我々の対角学習法は,最先端モデルの性能を向上させることができる。
論文 参考訳(メタデータ) (2020-10-19T19:32:03Z) - Mastering Rate based Curriculum Learning [78.45222238426246]
学習の進行という概念には、学習者のサンプル効率の低下につながるいくつかの欠点があると主張する。
本稿では,習得率の概念に基づく新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-08-14T16:34:01Z) - Active Imitation Learning with Noisy Guidance [6.832341432995627]
シミュレーション学習アルゴリズムは、多くの構造化予測タスクに対して最先端の結果を提供する。
このようなアルゴリズムは、任意のクエリ状態において最適なアクションを提供する専門家へのトレーニングタイムアクセスを前提としている。
我々は,学習アルゴリズムがノイズの多いガイダンスを提供するより安価なノイズにアクセスできるような,アクティブな学習環境を考える。
論文 参考訳(メタデータ) (2020-05-26T15:35:46Z) - Curriculum Learning for Reinforcement Learning Domains: A Framework and
Survey [53.73359052511171]
強化学習(Reinforcement Learning, RL)は、エージェントが限られた環境フィードバックしか持たないシーケンシャルな意思決定タスクに対処するための一般的なパラダイムである。
本稿では、RLにおけるカリキュラム学習(CL)の枠組みを提案し、既存のCLメソッドを仮定、能力、目標の観点から調査・分類する。
論文 参考訳(メタデータ) (2020-03-10T20:41:24Z)
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。