論文の概要: Subjective Learning for Open-Ended Data

• arxiv url: http://arxiv.org/abs/2108.12113v1
• Date: Fri, 27 Aug 2021 04:18:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-30 14:11:39.447362
• Title: Subjective Learning for Open-Ended Data
• Title（参考訳）: オープンエンディングデータに対する主観学習
• Authors: Tianren Zhang, Yizhou Jiang, Xin Su, Shangqi Guo, Feng Chen
• Abstract要約: オープンエンドデータから学習する新しい教師あり学習パラダイムを提案する。 オープンエンドデータは本質的に複数の単一値決定論的写像関数を必要とする。 オープンエンド・スーパーバイザード・ラーニングは,タスクレベルの監督を伴わずに,ヒューマンライクなタスク認知を実現することを示す。
• 参考スコア（独自算出の注目度）: 12.363642151877688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional machine learning methods typically assume that data is split according to tasks, and the data in each task can be modeled by a single target function. However, this assumption is invalid in open-ended environments where no manual task definition is available. In this paper, we present a novel supervised learning paradigm of learning from open-ended data. Open-ended data inherently requires multiple single-valued deterministic mapping functions to capture all its input-output relations, exhibiting an essential structural difference from conventional supervised data. We formally expound this structural property with a novel concept termed as mapping rank, and show that open-ended data poses a fundamental difficulty for conventional supervised learning, since different data samples may conflict with each other if the mapping rank of data is larger than one. To address this issue, we devise an Open-ended Supervised Learning (OSL) framework, of which the key innovation is a subjective function that automatically allocates the data among multiple candidate models to resolve the conflict, developing a natural cognition hierarchy. We demonstrate the efficacy of OSL both theoretically and empirically, and show that OSL achieves human-like task cognition without task-level supervision.
• Abstract（参考訳）: 従来の機械学習手法では、データはタスクに応じて分割され、各タスク内のデータは単一のターゲット関数によってモデル化される。 しかし、この仮定は手動のタスク定義がないオープンエンド環境では無効である。 本稿では,オープンエンドデータから学ぶための新しい教師あり学習パラダイムを提案する。 オープンエンドデータには本質的に複数の単一値決定論的マッピング関数が必要であり、従来の教師付きデータと重要な構造的違いを示す。 我々はこの構造的特性をマッピングランクと呼ばれる新しい概念で正式に説明し、データのマッピングランクが1より大きい場合、異なるデータサンプルが互いに衝突する可能性があるため、オープンエンドデータが従来の教師付き学習に根本的な困難をもたらすことを示す。 この問題に対処するために,我々は,複数の候補モデル間でデータを自動的に割り当ててコンフリクトを解決する主観的機能である主観的機能であるオープン・エンド・教師付き学習(osl)フレームワークを考案し,自然な認識階層を構築する。 我々はOSLの有効性を理論的にも実証的にも示し、OSLがタスクレベルの監督なしに人間的なタスク認知を実現することを示す。

関連論文リスト

• An Information Criterion for Controlled Disentanglement of Multimodal Data [39.601584166020274]
  マルチモーダル表現学習は、複数のモーダルに固有の情報を関連付けて分解しようとする。 Disentangled Self-Supervised Learning (DisentangledSSL)は、非角表現を学習するための新しい自己教師型アプローチである。
  論文  参考訳（メタデータ） (2024-10-31T14:57:31Z)
• Continual Learning for Multimodal Data Fusion of a Soft Gripper [1.0589208420411014]
  あるデータモダリティに基づいてトレーニングされたモデルは、異なるモダリティでテストした場合、しばしば失敗する。 異なるデータモダリティを漸進的に学習できる連続学習アルゴリズムを提案する。 我々は、アルゴリズムの有効性を、挑戦的なカスタムマルチモーダルデータセット上で評価する。
  論文  参考訳（メタデータ） (2024-09-20T09:53:27Z)
• Distribution Matching for Multi-Task Learning of Classification Tasks: a Large-Scale Study on Faces & Beyond [62.406687088097605]
  マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。 MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。 本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-02T14:18:11Z)
• Homological Convolutional Neural Networks [4.615338063719135]
  本稿では,トポロジ的に制約されたネットワーク表現を通じて,データ構造構造を利用した新しいディープラーニングアーキテクチャを提案する。 5つの古典的な機械学習モデルと3つのディープラーニングモデルに対して、18のベンチマークデータセットでモデルをテストします。
  論文  参考訳（メタデータ） (2023-08-26T08:48:51Z)
• On the Joint Interaction of Models, Data, and Features [82.60073661644435]
  本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。 これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。 この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
  論文  参考訳（メタデータ） (2023-06-07T21:35:26Z)
• Leveraging sparse and shared feature activations for disentangled representation learning [112.22699167017471]
  本稿では,教師付きタスクの多種多様な集合から抽出した知識を活用し,共通不整合表現を学習することを提案する。 我々は6つの実世界分布シフトベンチマークと異なるデータモダリティに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2023-04-17T01:33:24Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

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。