論文の概要: CLEVA-Compass: A Continual Learning EValuation Assessment Compass to
Promote Research Transparency and Comparability
- arxiv url: http://arxiv.org/abs/2110.03331v1
- Date: Thu, 7 Oct 2021 10:53:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-08 15:35:14.790045
- Title: CLEVA-Compass: A Continual Learning EValuation Assessment Compass to
Promote Research Transparency and Comparability
- Title（参考訳）: cleva-compass: 研究の透明性とコンパラビリティを促進する継続的学習評価コンパス
- Authors: Martin Mundt, Steven Lang, Quentin Delfosse, Kristian Kersting
- Abstract要約: 私たちは、Desiderataの正確な定式化の目標は、様々なアプリケーションが常に異なるシナリオを保証できるため、不適切なものであると論じます。
CLEVA-コンパスは、最近のレプリケーショントレンドの精神の中でコンパクトな仕様の促進に加えて、個々のシステムの優先順位を理解するための直感的なチャートを提供する。
- 参考スコア（独自算出の注目度）: 15.342039156426843
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: What is the state of the art in continual machine learning? Although a
natural question for predominant static benchmarks, the notion to train systems
in a lifelong manner entails a plethora of additional challenges with respect
to set-up and evaluation. The latter have recently sparked a growing amount of
critiques on prominent algorithm-centric perspectives and evaluation protocols
being too narrow, resulting in several attempts at constructing guidelines in
favor of specific desiderata or arguing against the validity of prevalent
assumptions. In this work, we depart from this mindset and argue that the goal
of a precise formulation of desiderata is an ill-posed one, as diverse
applications may always warrant distinct scenarios. Instead, we introduce the
Continual Learning EValuation Assessment Compass, CLEVA-Compass for short. The
compass provides the visual means to both identify how approaches are
practically reported and how works can simultaneously be contextualized in the
broader literature landscape. In addition to promoting compact specification in
the spirit of recent replication trends, the CLEVA-Compass thus provides an
intuitive chart to understand the priorities of individual systems, where they
resemble each other, and what elements are missing towards a fair comparison.
- Abstract（参考訳）: 継続的機械学習における最先端技術とは何か?
支配的な静的ベンチマークには自然な疑問があるが、システムトレーニングの概念は、セットアップと評価に関して多くの追加の課題を伴っている。
後者は、アルゴリズム中心の視点と評価プロトコルが狭すぎることに対する批判の高まりをきっかけに、特定のデシダータを支持するガイドラインの構築や、一般的な仮定の有効性に反対するいくつかの試みが行われた。
この作業では、この考え方から離れ、Desiderataの正確な定式化の目標は、さまざまなアプリケーションが常に異なるシナリオを保証できるため、不適切なものである、と論じます。
代わりに,CLEVA-Compassと呼ばれる継続学習EValuation Assessment Compassを導入する。
コンパスは、アプローチが実際に報告される方法と、より広い文献のランドスケープで作業が同時にコンテキスト化される方法の両方を識別するための視覚的な手段を提供する。
CLEVA-Compassは、最近のレプリケーショントレンドの精神において、コンパクトな仕様の促進に加えて、個々のシステムの優先順位、類似点、そして公正な比較に向けて欠落している要素を理解するための直感的なチャートを提供する。
関連論文リスト
- Towards Distribution-Agnostic Generalized Category Discovery [51.52673017664908]
データ不均衡とオープンエンドの分布は、現実の視覚世界の本質的な特性である。
我々は,BaCon(Self-Balanced Co-Advice contrastive framework)を提案する。
BaConは、対照的な学習ブランチと擬似ラベルブランチで構成され、DA-GCDタスクを解決するためのインタラクティブな監視を提供するために協力して動作する。
論文 参考訳（メタデータ） (2023-10-02T17:39:58Z) - Large Class Separation is not what you need for Relational
Reasoning-based OOD Detection [12.578844450586]
Out-Of-Distribution (OOD) 検出法はセマンティックノベルティを識別して解を提供する。
これらの手法の多くは、既知のデータの学習段階を利用しており、これは正規性の概念を捉えるためのモデル(または微調整)を訓練することを意味する。
実行可能な代替手段は、大きな事前訓練されたモデルによって生成された埋め込み空間の類似性を評価することであり、それ以上の学習は行わない。
論文 参考訳（メタデータ） (2023-07-12T14:10:15Z) - Fairness meets Cross-Domain Learning: a new perspective on Models and
Metrics [80.07271410743806]
クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。
いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。
本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
論文 参考訳（メタデータ） (2023-03-25T09:34:05Z) - A Low Rank Promoting Prior for Unsupervised Contrastive Learning [108.91406719395417]
提案手法は,従来の低階の促進をコントラスト学習の枠組みに効果的に組み込む新しい確率的グラフィカルモデルを構築する。
我々の仮説は、同じインスタンスクラスに属するすべてのサンプルが、小さな次元の同じ部分空間上にあることを明示的に要求する。
実証的な証拠は、提案アルゴリズムが複数のベンチマークにおける最先端のアプローチを明らかに上回っていることを示している。
論文 参考訳（メタデータ） (2021-08-05T15:58:25Z) - Self-Point-Flow: Self-Supervised Scene Flow Estimation from Point Clouds
with Optimal Transport and Random Walk [59.87525177207915]
シーンフローを近似する2点雲間の対応性を確立するための自己教師型手法を開発した。
本手法は,自己教師付き学習手法の最先端性能を実現する。
論文 参考訳（メタデータ） (2021-05-18T03:12:42Z) - Learning with Instance Bundles for Reading Comprehension [61.823444215188296]
質問応答スコアを複数の関連インスタンスで比較する新しい監視手法を提案する。
具体的には、密接に対照的な質問や回答のさまざまな近所でこれらのスコアを正規化します。
2つのデータセット上のインスタンスバンドルによるトレーニングの有効性を実証的に実証する。
論文 参考訳（メタデータ） (2021-04-18T06:17:54Z) - A Survey on Contrastive Self-supervised Learning [0.0]
自己教師付き学習は、大規模なデータセットのアノテートコストを回避する能力によって人気を集めている。
コントラスト学習は近年,コンピュータビジョン,自然言語処理(NLP)などの分野において,自己指導型学習手法の主流となっている。
本稿では, コントラスト的アプローチに従う自己教師型手法について, 広範囲にわたるレビューを行う。
論文 参考訳（メタデータ） (2020-10-31T21:05:04Z) - Robust Learning Through Cross-Task Consistency [92.42534246652062]
クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。
クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
論文 参考訳（メタデータ） (2020-06-07T09:24:33Z)
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。