Fugu-MT 論文翻訳(概要): The Transfer Student Experience: It's A Lot Like Buying a Used Car

論文の概要: The Transfer Student Experience: It's A Lot Like Buying a Used Car

arxiv url: http://arxiv.org/abs/2203.00610v1
Date: Tue, 1 Mar 2022 16:50:16 GMT
ステータス: 処理完了
システム内更新日: 2023-02-19 15:20:44.447562
Title: The Transfer Student Experience: It's A Lot Like Buying a Used Car
Title（参考訳）: 転校生の体験:中古車を買うようなものだ
Authors: Gregory L. Heileman and Chaouki T. Abdallah and Andrew K. Koch
Abstract要約: 転校生の市場においても、中古車の市場における情報非対称性がいかに生じるかを示す。我々は、トランスファー非効率を生み出す根底にある条件を特定し、それらが高等教育システムにおける構造的不平等であると同定する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The experience transfer students encounter as they navigate their journeys from community college to university is similar to that of buying a used car. We demonstrate this by showing how the information asymmetry in the market for used cars also occurs in the market for transfer students, producing inefficient markets in both cases, thereby increasing the chances of adverse selection. We diagnose the underlying conditions that produce transfer inefficiencies, identifying them as a structural inequity within the system of higher education. Finally, recommendations for alleviating information asymmetry in transfer processes, that would lead to better outcomes for transfer students, are provided.
Abstract（参考訳）: 学生がコミュニティカレッジから大学へ移動する際に遭遇する体験は、中古車を買う経験と似ている。本研究では,中古車市場における情報非対称性が,転校生の市場においてもどのように発生し,双方において非効率な市場を生産し,悪質な選択の可能性を高めるかを示す。転校非効率を発生させる基礎疾患を診断し, 高等教育システムにおける構造的不平等と同定した。最後に、転校生にとってより良い結果をもたらす伝達過程における情報非対称性を緩和するためのレコメンデーションを提供する。

関連論文リスト

On the Surprising Effectiveness of Attention Transfer for Vision Transformers [118.83572030360843]
従来の知恵は、事前学習型視覚変換器(ViT)が有用な表現を学習することで、下流のパフォーマンスを向上させることを示唆している。予備学習で学んだ特徴や表現は必須ではない。
論文参考訳（メタデータ） (2024-11-14T18:59:40Z)
Risk of Transfer Learning and its Applications in Finance [2.966069495345018]
本稿では,トランスファーリスクの新たな概念を提案し,その特性を分析し,トランスファー学習のトランスファー可能性を評価する。数値計算の結果,伝達リスクと全体の伝達学習性能との間に強い相関関係が認められた。
論文参考訳（メタデータ） (2023-11-06T17:23:54Z)
Transfer Learning for Portfolio Optimization [4.031388559887924]
本稿では,トランスファー学習の最適化フレームワークとして,トランスファーリスク(transfer risk)という新しい概念を導入する。クロスコンチネント転送,クロスセクタ転送,クロス周波数転送の3つのカテゴリから,一連の数値実験を行う。
論文参考訳（メタデータ） (2023-07-25T14:48:54Z)
Feasibility and Transferability of Transfer Learning: A Mathematical Framework [4.031388559887924]
我々は、転送学習の一般的な手順のための数学的枠組みを初めて構築する。また、トランスファー学習のトランスファー可能性を評価するために、トランスファーリスクという新しい概念を提案する。
論文参考訳（メタデータ） (2023-01-27T05:54:53Z)
Respecting Transfer Gap in Knowledge Distillation [74.38776465736471]
知識蒸留(KD)は、教師モデルの振る舞いを学生モデルに伝達する過程である。従来のKDメソッドは、人間のドメインとマシンドメインの両方で収集されたデータが、独立かつ同一の分散である、という前提を持っている。 Inverse Probability Weighting Distillation (IPWD) を提案する。
論文参考訳（メタデータ） (2022-10-23T17:05:32Z)
TransRank: Self-supervised Video Representation Learning via Ranking-based Transformation Recognition [73.7566539108205]
本稿では,RecogTransが意味的関連タスクと時間的関連下流タスクの両方において大きな可能性を観察する。ハードラベルの分類に基づいて、既存のRecogTransアプローチは事前トレーニングにおいてノイズの多い監視信号に悩まされる。この問題を緩和するために、ランク付け式における変換を認識する統一的なフレームワークであるTransRankを開発した。
論文参考訳（メタデータ） (2022-05-04T12:39:25Z)
On Transferability of Prompt Tuning for Natural Language Understanding [63.29235426932978]
タスクやモデル間でのソフトプロンプトの転送可能性について検討する。訓練されたソフトプロンプトは、同様のタスクにうまく移行し、PTを初期化してトレーニングを加速し、パフォーマンスを向上させることができる。以上の結果から,知識伝達によるPTの改善は可能で有望であり,プロンプトのクロスタスク転送性はクロスモデル転送性よりも良好であることが示唆された。
論文参考訳（メタデータ） (2021-11-12T13:39:28Z)
Frustratingly Easy Transferability Estimation [64.42879325144439]
本稿では,TransRate という,シンプルで効率的かつ効果的な転送可能性尺度を提案する。 TransRateは、事前訓練されたモデルによって抽出された対象サンプルの特徴とそれらのラベルとの間の相互情報として、転送可能性を測定する。 10行のコードで並外れた単純さにもかかわらず、TransRateは、22の事前訓練されたモデルと16のダウンストリームタスクに対する広範囲な評価において、非常にうまく機能している。
論文参考訳（メタデータ） (2021-06-17T10:27:52Z)
Online Transfer Learning: Negative Transfer and Effect of Prior Knowledge [6.193838300896449]
ターゲットサンプルが順次到着している間に、ソースサンプルがオフラインの方法で与えられるオンライン転送学習の問題を研究します。我々は,オンライン転送学習問題の期待後悔を定義し,情報理論量を用いて後悔の上限を与える。例えば、導出境界は小さなサンプルサイズであっても正確である。
論文参考訳（メタデータ） (2021-05-04T12:12:14Z)
What is being transferred in transfer learning? [51.6991244438545]
事前訓練した重量からトレーニングを行うと、モデルは損失景観の同じ流域に留まることを示す。事前学習した重みからトレーニングする場合、モデルは損失ランドスケープの同じ流域に留まり、そのようなモデルの異なるインスタンスは特徴空間と類似しており、パラメータ空間は近接している。
論文参考訳（メタデータ） (2020-08-26T17:23:40Z)

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。