論文の概要: Active metric learning and classification using similarity queries
- arxiv url: http://arxiv.org/abs/2202.01953v1
- Date: Fri, 4 Feb 2022 03:34:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-07 14:35:01.000503
- Title: Active metric learning and classification using similarity queries
- Title（参考訳）: 類似性クエリを用いたアクティブメトリック学習と分類
- Authors: Namrata Nadagouda, Austin Xu and Mark A. Davenport
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 21.589707834542338
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Active learning is commonly used to train label-efficient models by
adaptively selecting the most informative queries. However, most active
learning strategies are designed to either learn a representation of the data
(e.g., embedding or metric learning) or perform well on a task (e.g.,
classification) on the data. However, many machine learning tasks involve a
combination of both representation learning and a task-specific goal. Motivated
by this, we propose a novel unified query framework that can be applied to any
problem in which a key component is learning a representation of the data that
reflects similarity. Our approach builds on similarity or nearest neighbor (NN)
queries which seek to select samples that result in improved embeddings. The
queries consist of a reference and a set of objects, with an oracle selecting
the object most similar (i.e., nearest) to the reference. In order to reduce
the number of solicited queries, they are chosen adaptively according to an
information theoretic criterion. We demonstrate the effectiveness of the
proposed strategy on two tasks -- active metric learning and active
classification -- using a variety of synthetic and real world datasets. In
particular, we demonstrate that actively selected NN queries outperform
recently developed active triplet selection methods in a deep metric learning
setting. Further, we show that in classification, actively selecting class
labels can be reformulated as a process of selecting the most informative NN
query, allowing direct application of our method.
- Abstract（参考訳）: アクティブラーニングは、最も有能なクエリを適応的に選択することで、ラベル効率のよいモデルをトレーニングするために一般的に使用される。
しかし、ほとんどのアクティブな学習戦略は、データの表現(例えば埋め込みやメートル法学習)を学習するか、データ上のタスク(例えば分類)でうまく機能するように設計されている。
しかし、多くの機械学習タスクは、表現学習とタスク固有の目標の組み合わせを含んでいる。
そこで本研究では,鍵となる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適用可能な,新しい統合クエリフレームワークを提案する。
提案手法は, 類似性, 近接性(NN)クエリに基づいて, 組込み性の向上をもたらすサンプルを選択する。
クエリは参照とオブジェクトのセットで構成され、オラクルは参照に最も近いオブジェクト(すなわち、最も近いオブジェクト)を選択する。
要求されたクエリの数を減らすために、情報理論の基準に従って適応的に選択する。
提案手法の有効性を,多種多様な合成および実世界のデータセットを用いて,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つのタスクで実証する。
特に,最近開発された3重項選択手法を,深層学習環境において性能的に優れていることを示す。
さらに、分類において、最も情報性の高いNNクエリを選択するプロセスとして、クラスラベルを積極的に選択し、直接適用可能であることを示す。
関連論文リスト
- Prompt Optimization with EASE? Efficient Ordering-aware Automated Selection of Exemplars [66.823588073584]
大規模言語モデル(LLM)は、現実世界のアプリケーションで印象的な機能を示している。
これらの卓越した作品の品質は、パフォーマンスに大きな影響を与えます。
既存の方法は、先行注文がパフォーマンスに与える影響を適切に説明できない。
論文 参考訳（メタデータ） (2024-05-25T08:23:05Z) - Towards Global Optimal Visual In-Context Learning Prompt Selection [50.174301123013045]
そこで本研究では,グローバルな最適プロンプトを特定するための,コンテキスト内サンプル選択フレームワークを提案する。
Partial2Globalと呼ばれるこの手法では、より包括的な比較を行うために、トランスフォーマーベースのリストワイズローダを採用している。
partial2Globalの有効性は、前景のセグメンテーション、単一物体の検出、画像の着色に関する実験を通じて検証される。
論文 参考訳（メタデータ） (2024-05-24T07:07:24Z) - Exploring Active Learning in Meta-Learning: Enhancing Context Set Labeling [17.563853245956455]
いくつかの設定では、ラベルのどのポイントを積極的に選択することが可能である。
ガウス混合体を適合させてラベルのどの点を選択するかを選択する自然アルゴリズムを提案する。
提案アルゴリズムは、複数のベンチマークデータセットにまたがる様々なメタラーニングアルゴリズムを使用する場合、最先端のアクティブラーニング手法より優れている。
論文 参考訳（メタデータ） (2023-11-06T05:18:01Z) - Exploiting Diversity of Unlabeled Data for Label-Efficient
Semi-Supervised Active Learning [57.436224561482966]
アクティブラーニング(英: Active Learning)は、ラベリングのための最も重要なサンプルを選択することで、高価なラベリングの問題に対処する研究分野である。
アクティブな学習環境における初期ラベル付けのための最も情報性の高いサンプル群を選択するために,多様性に基づく新しい初期データセット選択アルゴリズムを提案する。
また、一貫性に基づく埋め込みの多様性に基づくサンプリングを用いた、新しいアクティブな学習クエリ戦略を提案する。
論文 参考訳（メタデータ） (2022-07-25T16:11:55Z) - Budget-aware Few-shot Learning via Graph Convolutional Network [56.41899553037247]
本稿では,いくつかの例から新しい視覚概念を学習することを目的とした,数ショット学習の課題に取り組む。
数ショット分類における一般的な問題設定は、データラベルの取得においてランダムサンプリング戦略を前提としている。
そこで我々は,新しい対象カテゴリーの学習を目的とした,予算に配慮した数発の学習問題を新たに導入する。
論文 参考訳（メタデータ） (2022-01-07T02:46:35Z) - Multiple-criteria Based Active Learning with Fixed-size Determinantal
Point Processes [43.71112693633952]
本稿では,情報性,代表性,多様性の3つの相補的基準を取り入れた,複数基準に基づく能動学習アルゴリズムを提案する。
提案手法は,他の複数基準のALアルゴリズムよりも性能が優れ,安定であることを示す。
論文 参考訳（メタデータ） (2021-07-04T13:22:54Z) - One-Round Active Learning [13.25385227263705]
1ラウンドのアクティブラーニングは、ラベル付け後の最高のユーティリティを達成するラベル付きデータポイントのサブセットを選択することを目的としている。
データユーティリティ関数の概念に基づく一括能動学習のための汎用フレームワークであるDULOを提案する。
以上の結果から,既存のアクティブな学習手法が複数ラウンドで成功する一方で,DULOは1ラウンドで常に優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2021-04-23T23:59:50Z) - Online Active Model Selection for Pre-trained Classifiers [72.84853880948894]
我々は,任意のラウンドにおいて高い確率で最良のモデルをラベル付けし,出力する情報的サンプルを積極的に選択するオンライン選択的サンプリング手法を設計する。
我々のアルゴリズムは、敵とストリームの両方のオンライン予測タスクに利用できる。
論文 参考訳（メタデータ） (2020-10-19T19:53:15Z) - A Comprehensive Benchmark Framework for Active Learning Methods in
Entity Matching [17.064993611446898]
本稿では,EMのための統合型アクティブラーニングベンチマークフレームワークを構築する。
このフレームワークの目的は、積極的学習の組み合わせがEMにどのような効果をもたらすかについて、実践者のための具体的なガイドラインを可能にすることである。
また、F1スコアの観点から学習モデルの品質を約9%向上し、モデルの品質に影響を与えることなく、サンプル選択のレイテンシを最大10倍削減する新しい最適化も含んでいる。
論文 参考訳（メタデータ） (2020-03-29T19:08:03Z) - Selecting Relevant Features from a Multi-domain Representation for
Few-shot Classification [91.67977602992657]
本稿では,従来の特徴適応手法よりもシンプルかつ効果的である特徴選択に基づく新しい戦略を提案する。
このような特徴の上に構築された単純な非パラメトリック分類器は高い精度を示し、訓練中に見たことのない領域に一般化する。
論文 参考訳（メタデータ） (2020-03-20T15:44:17Z)
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。