論文の概要: Knowledge Learning with Crowdsourcing: A Brief Review and Systematic Perspective

• arxiv url: http://arxiv.org/abs/2206.09315v1
• Date: Sun, 19 Jun 2022 03:06:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-22 14:52:45.802813
• Title: Knowledge Learning with Crowdsourcing: A Brief Review and Systematic Perspective
• Title（参考訳）: クラウドソーシングによる知識学習: 簡単なレビューとシステム的展望
• Authors: Jing Zhang
• Abstract要約: 本研究は,クラウドソーシング学習の技術的進歩を体系的な観点から総合的にレビューするものである。 本稿では,各次元について有望な青写真を提供するとともに,過去の研究成果から学んだ教訓についても論じる。
• 参考スコア（独自算出の注目度）: 6.724831294165237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Big data have the characteristics of enormous volume, high velocity, diversity, value-sparsity, and uncertainty, which lead the knowledge learning from them full of challenges. With the emergence of crowdsourcing, versatile information can be obtained on-demand so that the wisdom of crowds is easily involved to facilitate the knowledge learning process. During the past thirteen years, researchers in the AI community made great efforts to remove the obstacles in the field of learning from crowds. This concentrated survey paper comprehensively reviews the technical progress in crowdsourcing learning from a systematic perspective that includes three dimensions of data, models, and learning processes. In addition to reviewing existing important work, the paper places a particular emphasis on providing some promising blueprints on each dimension as well as discussing the lessons learned from our past research work, which will light up the way for new researchers and encourage them to pursue new contributions.
• Abstract（参考訳）: ビッグデータには、膨大なボリューム、高い速度、多様性、価値の分離、不確実性といった特徴があり、そこから知識学習が課題に満ちている。 クラウドソーシングの出現により、クラウドソーシングの知識が容易に関与できるように、オンデマンドで多彩な情報を得ることができる。 過去13年間、AIコミュニティの研究者たちは、群衆から学習分野の障害を取り除くために多大な努力を払ってきた。 本稿では,データ,モデル,学習プロセスの3次元を含む体系的な視点から,クラウドソーシング学習の技術的進歩を総合的にレビューする。 この論文では、既存の重要な研究のレビューに加えて、各次元に有望な青写真を提供することや、過去の研究成果から学んだ教訓について論じることに特に重点を置いている。

関連論文リスト

• CrowdTransfer: Enabling Crowd Knowledge Transfer in AIoT Community [12.002871068635748]
  Crowd Knowledge Transfer(CrowdTransfer)は、エージェントの集団から学んだ事前知識を移行して、トレーニングコストを削減することを目的としている。 集団知性の観点からは, 導出, 共有, 進化, 融合モードの4つの伝達モードを提示する。 人間の活動認識、都市コンピューティング、マルチロボットシステム、スマートファクトリなど、AIoT分野のいくつかの応用について検討する。
  論文  参考訳（メタデータ） (2024-07-09T01:20:37Z)
• Beyond Factuality: A Comprehensive Evaluation of Large Language Models as Knowledge Generators [78.63553017938911]
  大規模言語モデル(LLM)は、下流の知識集約タスクのための情報検索技術より優れている。 しかし、コミュニティの懸念は、この無検閲の知識を使用することの事実と潜在的意味について多岐にわたる。 本研究では,6つの重要な視点から生成した知識を評価するために設計されたCONNERを紹介する。
  論文  参考訳（メタデータ） (2023-10-11T08:22:37Z)
• A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual Learning [58.107474025048866]
  蓄積とは、以前に獲得した知識の喪失または劣化を指す。 フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
  論文  参考訳（メタデータ） (2023-07-16T16:27:58Z)
• Practical and Ethical Challenges of Large Language Models in Education: A Systematic Scoping Review [5.329514340780243]
  大規模言語モデル(LLM)は、テキストコンテンツの生成と分析の面倒なプロセスを自動化する可能性がある。 これらの革新の実践性と倫理性には懸念がある。 我々は2017年以降に発行された118件の査読論文の体系的スコーピングレビューを行い、研究の現状を明らかにした。
  論文  参考訳（メタデータ） (2023-03-17T18:14:46Z)
• Knowledge-augmented Deep Learning and Its Applications: A Survey [60.221292040710885]
  知識強化ディープラーニング(KADL)は、ドメイン知識を特定し、それをデータ効率、一般化可能、解釈可能なディープラーニングのためのディープモデルに統合することを目的としている。 本調査は,既存の研究成果を補足し,知識強化深層学習の一般分野における鳥眼研究の展望を提供する。
  論文  参考訳（メタデータ） (2022-11-30T03:44:15Z)
• Transferability in Deep Learning: A Survey [80.67296873915176]
  知識を習得し再利用する能力は、ディープラーニングにおける伝達可能性として知られている。 本研究は,深層学習における異なる孤立領域と伝達可能性との関係を関連付けるための調査である。 我々はベンチマークとオープンソースライブラリを実装し、転送可能性の観点からディープラーニング手法の公平な評価を可能にする。
  論文  参考訳（メタデータ） (2022-01-15T15:03:17Z)
• Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
  パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。 近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
  論文  参考訳（メタデータ） (2021-01-19T12:23:32Z)
• Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
  強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。 近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。 転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
  論文  参考訳（メタデータ） (2020-09-16T18:38:54Z)
• Learning Transferable Concepts in Deep Reinforcement Learning [0.7161783472741748]
  感覚入力の離散的な表現を学習することで、複数のタスクに共通するハイレベルな抽象化が得られることを示す。 特に,情報理論のアプローチに従って,自己超越によってそのような表現を学習することは可能であることを示す。 本手法は, 未知タスクと未知タスクの両方において, サンプル効率を高めるための, 機関車および最適制御タスクの概念を学習することができる。
  論文  参考訳（メタデータ） (2020-05-16T04:45:51Z)

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。