論文の概要: Weighted Ensembles for Active Learning with Adaptivity

• arxiv url: http://arxiv.org/abs/2206.05009v1
• Date: Fri, 10 Jun 2022 11:48:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-13 22:08:02.085502
• Title: Weighted Ensembles for Active Learning with Adaptivity
• Title（参考訳）: 適応性のあるアクティブラーニングのための重み付きアンサンブル
• Authors: Konstantinos D. Polyzos, Qin Lu, Georgios B. Giannakis
• Abstract要約: 本稿では,ラベル付きデータに漸進的に適応した重み付きGPモデルのアンサンブルについて述べる。 この新しいEGPモデルに基づいて、不確実性および不一致ルールに基づいて、一連の取得関数が出現する。 適応的に重み付けされたEGPベースの取得関数のアンサンブルも、さらなる性能向上のために導入されている。
• 参考スコア（独自算出の注目度）: 60.84896785303314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Labeled data can be expensive to acquire in several application domains, including medical imaging, robotics, and computer vision. To efficiently train machine learning models under such high labeling costs, active learning (AL) judiciously selects the most informative data instances to label on-the-fly. This active sampling process can benefit from a statistical function model, that is typically captured by a Gaussian process (GP). While most GP-based AL approaches rely on a single kernel function, the present contribution advocates an ensemble of GP models with weights adapted to the labeled data collected incrementally. Building on this novel EGP model, a suite of acquisition functions emerges based on the uncertainty and disagreement rules. An adaptively weighted ensemble of EGP-based acquisition functions is also introduced to further robustify performance. Extensive tests on synthetic and real datasets showcase the merits of the proposed EGP-based approaches with respect to the single GP-based AL alternatives.
• Abstract（参考訳）: ラベル付きデータは、医療画像、ロボティクス、コンピュータビジョンなど、いくつかのアプリケーション領域で取得するのに費用がかかる。 このような高いラベル付けコストで機械学習モデルを効率よく訓練するために、アクティブラーニング(AL)は、最も情報性の高いデータインスタンスを選択して、オンザフライでラベル付けする。 このアクティブサンプリングプロセスは、ガウス過程(GP)によって典型的に捉えられる統計関数モデルから恩恵を受けることができる。 ほとんどのGPベースのALアプローチは単一カーネル関数に依存しているが、今回のコントリビューションでは、ラベル付きデータに漸進的に適応した重み付きGPモデルのアンサンブルを提唱している。 この新しいEGPモデルに基づいて、不確実性と不一致ルールに基づいて一連の取得関数が出現する。 適応的に重み付けされたEGPベースの取得関数のアンサンブルも、さらなる性能向上のために導入された。 合成データセットと実データセットの広範なテストは、単一のGPベースのAL代替案に関して提案されたEGPベースのアプローチの利点を示している。

関連論文リスト

• GP+: A Python Library for Kernel-based learning via Gaussian Processes [0.0]
  ガウス過程(GP)を通したカーネルベースの学習用オープンソースライブラリGP+を紹介する。 GP+はPyTorch上に構築されており、確率的学習と推論のためのユーザフレンドリでオブジェクト指向のツールを提供する。
  論文  参考訳（メタデータ） (2023-12-12T19:39:40Z)
• Beyond Intuition, a Framework for Applying GPs to Real-World Data [21.504659500727985]
  本稿では,ある問題に対するGPの適合性を同定する枠組みと,頑健かつ明確に定義されたGPモデルの構築方法を提案する。 この枠組みを氷河の標高変化のケーススタディに適用し,テスト時により正確な結果が得られることを示した。
  論文  参考訳（メタデータ） (2023-07-06T16:08:47Z)
• Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
  クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。 現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。 本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
  論文  参考訳（メタデータ） (2023-02-28T14:01:01Z)
• Active Learning of Piecewise Gaussian Process Surrogates [2.5399204134718096]
  本研究では,Jump GPサロゲートを能動的に学習する手法を開発した。 ジャンプGPは、設計空間の領域において連続であるが、不連続である。 本研究では,Jump GPモデルのバイアスとばらつきを推定する手法を開発した。
  論文  参考訳（メタデータ） (2023-01-20T20:25:50Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
  乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。 NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-10-26T10:45:25Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Modulating Scalable Gaussian Processes for Expressive Statistical Learning [25.356503463916816]
  ガウス過程(GP)は、入力と出力の間の統計的関係を学ぶことに興味がある。 本稿では,非定常ヘテロセダスティックGP,GPと潜在GPの混合を含む,スケーラブルなGPパラダイムについて検討し,よりリッチでガウス的でない統計表現を学習するために,出力や入力を変調する潜在変数を導入する。
  論文  参考訳（メタデータ） (2020-08-29T06:41:45Z)

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。