論文の概要: Multi-Domain Active Learning: A Comparative Study
- arxiv url: http://arxiv.org/abs/2106.13516v1
- Date: Fri, 25 Jun 2021 09:16:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-28 13:18:37.893018
- Title: Multi-Domain Active Learning: A Comparative Study
- Title(参考訳): マルチドメインアクティブラーニング:比較研究
- Authors: Rui He, Shan He, Ke Tang
- Abstract要約: 複数のドメインに分類器を構築することは実生活における実践的な問題である。
多分野アクティブラーニング(MDAL)におけるラベル付け作業の削減にアクティブラーニングを利用するのは当然である。
この予備解の可能性を明らかにするために,本論文では,5つのモデルと4つの選択戦略の比較研究を行った。
- 参考スコア(独自算出の注目度): 27.472243312263707
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building classifiers on multiple domains is a practical problem in the real
life. Instead of building classifiers one by one, multi-domain learning (MDL)
simultaneously builds classifiers on multiple domains. MDL utilizes the
information shared among the domains to improve the performance. As a
supervised learning problem, the labeling effort is still high in MDL problems.
Usually, this high labeling cost issue could be relieved by using active
learning. Thus, it is natural to utilize active learning to reduce the labeling
effort in MDL, and we refer this setting as multi-domain active learning
(MDAL). However, there are only few works which are built on this setting. And
when the researches have to face this problem, there is no off-the-shelf
solutions. Under this circumstance, combining the current multi-domain learning
models and single-domain active learning strategies might be a preliminary
solution for MDAL problem. To find out the potential of this preliminary
solution, a comparative study over 5 models and 4 selection strategies is made
in this paper. To the best of our knowledge, this is the first work provides
the formal definition of MDAL. Besides, this is the first comparative work for
MDAL problem. From the results, the Multinomial Adversarial Networks (MAN)
model with a simple best vs second best (BvSB) uncertainty strategy shows its
superiority in most cases. We take this combination as our off-the-shelf
recommendation for the MDAL problem.
- Abstract(参考訳): 複数のドメインに分類器を構築することは実生活において現実的な問題である。
分類器を1つずつ構築する代わりに、マルチドメイン学習(MDL)は同時に複数のドメインに分類器を構築する。
MDLはドメイン間で共有される情報を利用してパフォーマンスを向上させる。
教師付き学習問題として,MDL問題ではラベル付け作業が依然として高い。
通常、この高いラベル付けコスト問題は、アクティブラーニングを使用することで軽減できる。
したがって、MDLにおけるラベル付けの労力を減らすためにアクティブラーニングを活用することは自然であり、この設定をマルチドメインアクティブラーニング(MDAL)と呼ぶ。
しかし、この設定で作られた作品はほとんどない。
そして、研究がこの問題に直面するとき、既成の解決策は存在しない。
この状況下では、現在のマルチドメイン学習モデルと単一ドメインのアクティブ学習戦略を組み合わせることが、MDAL問題の予備的な解決策となるかもしれない。
この予備解の可能性を明らかにするために,5モデルと4つの選択戦略の比較研究を行った。
私たちの知る限りでは、これがMDALの正式な定義を提供する最初の作品です。
さらに、MDAL問題に対する最初の比較研究である。
その結果,単純最良対第二最良(bvsb)不確実性戦略を用いた多項逆ネットワーク(man)モデルは,ほとんどの場合においてその優位を示す。
我々はこの組み合わせをMDAL問題に対する既定の勧告だと考えている。
関連論文リスト
- EMPL: A novel Efficient Meta Prompt Learning Framework for Few-shot Unsupervised Domain Adaptation [22.586094394391747]
本稿では,FS-UDAのためのメタプロンプト学習フレームワークを提案する。
このフレームワークでは、事前訓練されたCLIPモデルを機能学習ベースモデルとして使用しています。
5-way 1-shotでは少なくとも15.4%,5-way 5-shotでは8.7%の大幅な改善が得られた。
論文 参考訳(メタデータ) (2024-07-04T17:13:06Z) - More is Better: Deep Domain Adaptation with Multiple Sources [34.26271755493111]
マルチソースドメイン適応(MDA)は、ラベル付きデータを異なる分布を持つ複数のソースから収集できる、強力で実用的な拡張である。
本調査では,まず様々なMDA戦略を定義し,その後,異なる視点から,深層学習時代の現代MDA手法を体系的に要約し,比較する。
論文 参考訳(メタデータ) (2024-05-01T03:37:12Z) - Composite Active Learning: Towards Multi-Domain Active Learning with
Theoretical Guarantees [12.316113075760743]
アクティブラーニング(AL)は、ラベルに最も有用なデータポイントを選択することで、固定されたラベル付け予算内でのモデルパフォーマンスを改善することを目的としている。
マルチドメインALのための合成能動学習(CAL)と呼ばれる最初の一般手法を提案する。
理論解析により,本手法は現在のAL法よりも優れた誤差境界が得られることが示された。
論文 参考訳(メタデータ) (2024-02-03T10:22:18Z) - Perturbation-Based Two-Stage Multi-Domain Active Learning [31.073745612552926]
本稿では、よく認識されたASP-MTLモデルに組み込んだ摂動型2段階多段階アクティブラーニング(P2S-MDAL)手法を提案する。
P2S-MDALは、ドメインの予算を割り当て、多様性の選択のための領域を確立する。
モデルの共有特徴抽出器のロバスト性を評価するために摂動距離が導入された。
論文 参考訳(メタデータ) (2023-06-19T04:58:32Z) - Multi-Domain Long-Tailed Learning by Augmenting Disentangled
Representations [80.76164484820818]
多くの現実世界の分類問題には、避けられない長い尾のクラスバランスの問題がある。
本稿では,この多領域長鎖学習問題について検討し,すべてのクラスとドメインにまたがってよく一般化されたモデルを作成することを目的とする。
TALLYは、選択的均衡サンプリング戦略に基づいて、ある例のセマンティック表現と別の例のドメイン関連ニュアンスを混合することでこれを達成している。
論文 参考訳(メタデータ) (2022-10-25T21:54:26Z) - ME-D2N: Multi-Expert Domain Decompositional Network for Cross-Domain
Few-Shot Learning [95.78635058475439]
クロスドメインのFew-Shot Learningは、異なるドメインにわたるFew-Shot Learning問題に対処することを目的としている。
本稿では,ME-D2N(Multi-Expert Domain Decompositional Network)を技術的に貢献する。
本稿では,学生モデルを2つの領域関連部分に分解する新しい領域分解モジュールを提案する。
論文 参考訳(メタデータ) (2022-10-11T09:24:47Z) - Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。
特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。
このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
論文 参考訳(メタデータ) (2022-07-18T18:41:36Z) - Multi-Domain Spoken Language Understanding Using Domain- and Task-Aware
Parameterization [78.93669377251396]
音声言語理解は、各ドメインでトレーニングデータのセットが利用できる教師付き学習問題として対処されてきた。
既存の1つのアプローチは、ドメイン間の共同トレーニングに共有パラメータを使用して、マルチドメイン学習を行うことによって、この問題を解決する。
本稿では,ドメイン固有モデルパラメータとタスク固有モデルパラメータを用いて,この手法のパラメータ化を改善することを提案する。
論文 参考訳(メタデータ) (2020-04-30T15:15:40Z) - Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。
既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。
我々は、より大きなドメインギャップに特に対処する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) (2020-03-08T14:20:24Z) - Multi-source Domain Adaptation in the Deep Learning Era: A Systematic
Survey [53.656086832255944]
マルチソースドメイン適応(MDA)は、ラベル付きデータを複数のソースから収集できる強力な拡張である。
MDAは学術と産業の両方で注目を集めている。
論文 参考訳(メタデータ) (2020-02-26T08:07:58Z)
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。