Fugu-MT 論文翻訳(概要): Bayesian Active Summarization

論文の概要: Bayesian Active Summarization

arxiv url: http://arxiv.org/abs/2110.04480v1
Date: Sat, 9 Oct 2021 06:51:16 GMT
ステータス: 処理完了
システム内更新日: 2021-10-12 17:10:35.944223
Title: Bayesian Active Summarization
Title（参考訳）: ベイズアクティブ要約
Authors: Alexios Gidiotis and Grigorios Tsoumakas
Abstract要約: 本稿では,ベイジアンアクティブ・サムライゼーション(BAS)を,最先端の要約モデルとアクティブ・ラーニング手法を組み合わせた手法として紹介する。以上の結果から,BASはランダム選択と比較して,より優れた,より堅牢な性能が得られることが示唆された。
参考スコア（独自算出の注目度）: 3.1423034006764965
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Bayesian Active Learning has had significant impact to various NLP problems, but nevertheless it's application to text summarization has been explored very little. We introduce Bayesian Active Summarization (BAS), as a method of combining active learning methods with state-of-the-art summarization models. Our findings suggest that BAS achieves better and more robust performance, compared to random selection, particularly for small and very small data annotation budgets. Using BAS we showcase it is possible to leverage large summarization models to effectively solve real-world problems with very limited annotated data.
Abstract（参考訳）: ベイズアクティブラーニングは様々なnlp問題に大きな影響を与えてきたが、テキスト要約への応用はほとんど研究されていない。ベイジアン能動要約(Bayesian Active Summarization,BAS)は,能動学習法と最先端の要約モデルを組み合わせた手法である。以上の結果から,basはランダム選択に比べて,特に小規模データアノテーション予算において,より良好でロバストな性能を実現していることが示唆された。 BASを用いることで、大規模な要約モデルを利用して、非常に限られた注釈付きデータで現実世界の問題を効果的に解決できることを示す。

関連論文リスト

Making Better Use of Unlabelled Data in Bayesian Active Learning [19.050266270699368]
半教師付きベイズ能動学習のための枠組みを提案する。従来のベイズ的アクティブラーニングやランダムに取得したデータを用いた半教師付きラーニングよりも優れた性能モデルが得られた。
論文参考訳（メタデータ） (2024-04-26T08:41:55Z)
An Experimental Design Framework for Label-Efficient Supervised Finetuning of Large Language Models [55.01592097059969]
命令データセットの監視された微調整は、目覚ましいゼロショットの一般化能力を達成する上で重要な役割を担っている。アクティブラーニングは、未ラベルのプールからアノテートするサンプルの有用なサブセットを特定するのに効果的である。本研究では,能動学習の計算ボトルネックを回避するための実験設計を提案する。
論文参考訳（メタデータ） (2024-01-12T16:56:54Z)
Optimal Sample Selection Through Uncertainty Estimation and Its Application in Deep Learning [22.410220040736235]
コアセット選択とアクティブラーニングの両方に対処するための理論的に最適な解を提案する。提案手法であるCOPSは,サブサンプルデータに基づいてトレーニングされたモデルの損失を最小限に抑えるために設計されている。
論文参考訳（メタデータ） (2023-09-05T14:06:33Z)
Active Learning Principles for In-Context Learning with Large Language Models [65.09970281795769]
本稿では,アクティブ・ラーニング・アルゴリズムが,文脈内学習における効果的な実演選択手法としてどのように機能するかを検討する。 ALによる文脈内サンプル選択は,不確実性の低い高品質な事例を優先し,試験例と類似性を有することを示す。
論文参考訳（メタデータ） (2023-05-23T17:16:04Z)
Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
論文参考訳（メタデータ） (2022-12-20T19:29:37Z)
Active Pointly-Supervised Instance Segmentation [106.38955769817747]
アクティブポイント制御型インスタンスセグメンテーション(APIS)という,経済的なアクティブな学習環境を提案する。 APISはボックスレベルのアノテーションから始まり、ボックス内のポイントを反復的にサンプリングし、オブジェクトに落ちているかどうかを問う。これらの戦略で開発されたモデルは、挑戦的なMS-COCOデータセットに対して一貫したパフォーマンス向上をもたらす。
論文参考訳（メタデータ） (2022-07-23T11:25:24Z)
Mitigating Sampling Bias and Improving Robustness in Active Learning [13.994967246046008]
教師付き環境下での能動学習に比較学習の損失を生かして教師付き能動学習を導入する。多様な特徴表現の情報的データサンプルを選択するアンバイアスなクエリ戦略を提案する。提案手法は,アクティブな学習環境において,サンプリングバイアスを低減し,最先端の精度を実現し,モデルの校正を行う。
論文参考訳（メタデータ） (2021-09-13T20:58:40Z)
Deep Bayesian Active Learning, A Brief Survey on Recent Advances [6.345523830122166]
アクティブラーニングは、ラベル付きデータの小さなサイズでモデルをトレーニングし始める。ディープラーニングメソッドはモデルの不確実性を表現あるいは操作できない。 deep bayesian active learningフレームワークは、モデルにおける実践的な考察を提供する。
論文参考訳（メタデータ） (2020-12-15T02:06:07Z)
Semi-supervised Batch Active Learning via Bilevel Optimization [89.37476066973336]
両レベル最適化によるデータ要約問題として,本手法を定式化する。本手法は,ラベル付きサンプルがほとんど存在しない場合,レジーム内のキーワード検出タスクにおいて極めて有効であることを示す。
論文参考訳（メタデータ） (2020-10-19T16:53:24Z)
Bayesian active learning for production, a systematic study and a reusable library [85.32971950095742]
本稿では,現在のアクティブラーニング技術の主な欠点について分析する。実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
論文参考訳（メタデータ） (2020-06-17T14:51:11Z)

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。