Fugu-MT 論文翻訳(概要): Improving greedy core-set configurations for active learning with uncertainty-scaled distances

論文の概要: Improving greedy core-set configurations for active learning with uncertainty-scaled distances

arxiv url: http://arxiv.org/abs/2202.04251v1
Date: Wed, 9 Feb 2022 03:16:27 GMT
ステータス: 処理完了
システム内更新日: 2022-02-11 00:54:56.979975
Title: Improving greedy core-set configurations for active learning with uncertainty-scaled distances
Title（参考訳）: 不確実性スケール距離をもつアクティブラーニングのための欲望コアセット構成の改善
Authors: Yuchen Li, Frank Rudzicz
Abstract要約: CIFAR10/100 と SVHN 画像分類におけるサンプル効率の大幅な向上が確認できた。修正の必要性を示し、コアセット損失の収束における確率的二次的スピードアップによる改善の方法を説明する。
参考スコア（独自算出の注目度）: 28.73393286259982
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We scale perceived distances of the core-set algorithm by a factor of uncertainty and search for low-confidence configurations, finding significant improvements in sample efficiency across CIFAR10/100 and SVHN image classification, especially in larger acquisition sizes. We show the necessity of our modifications and explain how the improvement is due to a probabilistic quadratic speed-up in the convergence of core-set loss, under assumptions about the relationship of model uncertainty and misclassification.
Abstract（参考訳）: 我々は,CIFAR10/100およびSVHN画像分類において,不確実性の要因と低信頼度構成の探索により,コアセットアルゴリズムの知覚距離を拡大し,サンプル効率を著しく向上させた。我々は,モデルの不確かさと誤分類の関係を前提に,コアセット損失の収束における確率的二次速度アップによる改善の理由を説明する。

関連論文リスト

Consistency Calibration: Improving Uncertainty Calibration via Consistency among Perturbed Neighbors [22.39558434131574]
モデルキャリブレーションの代替視点として一貫性の概念を導入する。本稿では,入力間の一貫性に基づいて信頼度を調整する,一貫性(CC)と呼ばれるポストホックキャリブレーション手法を提案する。また,ロジットレベルでの摂動は計算効率を著しく向上させることを示した。
論文参考訳（メタデータ） (2024-10-16T06:55:02Z)
UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
論文参考訳（メタデータ） (2024-10-03T17:39:38Z)
Uncertainty Quantification for Bird's Eye View Semantic Segmentation: Methods and Benchmarks [10.193504550494486]
本稿では,BEVセグメンテーションにおける予測不確実性定量化のためのベンチマークを提案する。誤分類および非分布画素の識別における予測不確実性の有効性と校正に焦点が当てられている。本研究では,不均衡なデータに対する不確実性-局所-クロス-エントロピー損失を提案し,セグメンテーションの品質とキャリブレーションを継続的に改善する。
論文参考訳（メタデータ） (2024-05-31T16:32:46Z)
Towards Calibrated Deep Clustering Network [60.71776081164377]
ディープクラスタリングでは、特定のクラスタに属するサンプルに対する推定信頼度はその実際の予測精度を大きく上回る。推定された信頼度と実際の精度を効果的にキャリブレーションできる新しいデュアルヘッド(キャリブレーションヘッドとクラスタリングヘッド)深層クラスタリングモデルを提案する。大規模実験により, 提案手法は, 最先端の深層クラスタリング手法を10倍に越えるだけでなく, クラスタリング精度も大幅に向上した。
論文参考訳（メタデータ） (2024-03-04T11:23:40Z)
Variational Voxel Pseudo Image Tracking [127.46919555100543]
不確実性推定は、ロボット工学や自律運転といった重要な問題にとって重要なタスクである。本稿では,3次元物体追跡のためのVoxel Pseudo Image Tracking (VPIT) の変分ニューラルネットワークによるバージョンを提案する。
論文参考訳（メタデータ） (2023-02-12T13:34:50Z)
Neural Networks with Quantization Constraints [111.42313650830248]
量子化学習における制約付き学習手法を提案する。結果の問題は強い双対であり、勾配推定は不要であることを示す。提案手法は画像分類タスクにおける競合性能を示す。
論文参考訳（メタデータ） (2022-10-27T17:12:48Z)
Adaptive Dimension Reduction and Variational Inference for Transductive Few-Shot Classification [2.922007656878633]
適応次元の削減によりさらに改善された変分ベイズ推定に基づく新しいクラスタリング法を提案する。提案手法は,Few-Shotベンチマークにおける現実的非バランスなトランスダクティブ設定の精度を大幅に向上させる。
論文参考訳（メタデータ） (2022-09-18T10:29:02Z)
Gradient-Based Quantification of Epistemic Uncertainty for Deep Object Detectors [8.029049649310213]
本稿では,新しい勾配に基づく不確実性指標を導入し,異なる物体検出アーキテクチャについて検討する。実験では、真の肯定的/偽の正の判別と、結合上の交叉の予測において顕著な改善が示された。また,モンテカルロのドロップアウト不確実性指標に対する改善や,さまざまな不確実性指標のソースを集約することで,さらなる大幅な向上が期待できる。
論文参考訳（メタデータ） (2021-07-09T16:04:11Z)
Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
論文参考訳（メタデータ） (2020-10-09T12:26:27Z)
Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文参考訳（メタデータ） (2020-09-30T05:29:01Z)

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。