論文の概要: Meta-learning from Learning Curves Challenge: Lessons learned from the
First Round and Design of the Second Round
- arxiv url: http://arxiv.org/abs/2208.02821v1
- Date: Thu, 4 Aug 2022 12:12:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-08 12:19:02.401932
- Title: Meta-learning from Learning Curves Challenge: Lessons learned from the
First Round and Design of the Second Round
- Title（参考訳）: 学習曲線からのメタラーニング: 第一ラウンドから学んだ教訓と第二ラウンドの設計
- Authors: Manh Hung Nguyen, Lisheng Sun, Nathan Grinsztajn (CRIStAL), Isabelle
Guyon (LISN, TAU)
- Abstract要約: 強化学習に基づくメタ学習の課題をいくつか紹介する。
第1ラウンドは学界と産業界の両方から参加者を集めた。
チャレンジの第2ラウンドは、AutoML-Conf 2022で受け入れられ、現在進行中です。
- 参考スコア（独自算出の注目度）: 1.5749416770494706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Meta-learning from learning curves is an important yet often neglected
research area in the Machine Learning community. We introduce a series of
Reinforcement Learning-based meta-learning challenges, in which an agent
searches for the best suited algorithm for a given dataset, based on feedback
of learning curves from the environment. The first round attracted participants
both from academia and industry. This paper analyzes the results of the first
round (accepted to the competition program of WCCI 2022), to draw insights into
what makes a meta-learner successful at learning from learning curves. With the
lessons learned from the first round and the feedback from the participants, we
have designed the second round of our challenge with a new protocol and a new
meta-dataset. The second round of our challenge is accepted at the AutoML-Conf
2022 and currently ongoing .
- Abstract（参考訳）: 学習曲線からのメタ学習は、機械学習コミュニティにおいて重要だがしばしば無視される研究領域である。
本稿では,環境からの学習曲線のフィードバックに基づいて,エージェントが与えられたデータセットに適したアルゴリズムを探索する強化学習ベースのメタ学習課題について紹介する。
第1ラウンドは学界と産業界の両方から参加者を集めた。
本稿では,第1ラウンド(wcci 2022 のコンペティションプログラム)の結果を分析し,メタリーナーが学習曲線から学習を成功させる要因について考察する。
最初のラウンドから学んだ教訓と参加者からのフィードバックにより、私たちは新しいプロトコルと新しいメタデータセットで挑戦の第2ラウンドをデザインしました。
チャレンジの第2ラウンドは、AutoML-Conf 2022で受け入れられ、現在進行中です。
関連論文リスト
- Let Students Take the Wheel: Introducing Post-Quantum Cryptography with Active Learning [4.804847392457553]
ポスト量子暗号(PQC)は、既存のソフトウェアシステムをセキュアにするためのソリューションとして認識されている。
本研究は,PQCを大学生や大学院生に教える上での,新たなアクティブラーニング手法を提案する。
論文 参考訳（メタデータ） (2024-10-17T01:52:03Z) - Learning without Forgetting for Vision-Language Models [65.49600786387106]
CIL(Class-Incremental Learning)あるいは継続的学習(Continuous Learning)は、現実世界において望ましい能力である。
VLM(Vision-Language Models)の最近の進歩は、一般化可能な表現を学習する上で有望な能力を示している。
本稿では,VLM を忘れずに学習できる ProjectiOn Fusion (PROOF) を提案する。
論文 参考訳（メタデータ） (2023-05-30T17:59:32Z) - Lessons learned from the NeurIPS 2021 MetaDL challenge: Backbone
fine-tuning without episodic meta-learning dominates for few-shot learning
image classification [40.901760230639496]
本稿では,MetaDLコンペティションシリーズの設計,データセット,最良の実験結果,NeurIPS 2021チャレンジにおける最上位の手法について述べる。
トップ参加者のソリューションがオープンソース化された。
論文 参考訳（メタデータ） (2022-06-15T10:27:23Z) - Towards Machine Learning for Placement and Routing in Chip Design: a
Methodological Overview [72.79089075263985]
配置とルーティングは、現代のチップ設計フローにおいて必須かつ困難な2つのタスクである。
機械学習は、そのデータ駆動性によって有望な見通しを示しており、知識や事前への依存度は低い。
論文 参考訳（メタデータ） (2022-02-28T06:28:44Z) - On Joint Learning for Solving Placement and Routing in Chip Design [70.30640973026415]
本稿では,マクロや標準セルの配置に関するDeepPlaceによる共同学習手法を提案する。
また,DeepPRと呼ばれるマクロ配置とルーティングの両方を満たすための強化学習による共同学習手法も開発している。
本手法は,経験から効果的に学習し,数時間のトレーニングで標準細胞配置の中間配置を提供する。
論文 参考訳（メタデータ） (2021-10-30T11:41:49Z) - Click-Based Student Performance Prediction: A Clustering Guided
Meta-Learning Approach [10.962724342736042]
クリックストリーム行動からオンライン授業における学生の知識獲得を予測する問題について検討する。
ビデオ内のクイズ性能を予測する手法は,開発する3つの重要なアイデアに基づいている。
論文 参考訳（メタデータ） (2021-10-28T14:03:29Z) - Motivating Learners in Multi-Orchestrator Mobile Edge Learning: A
Stackelberg Game Approach [54.28419430315478]
Mobile Edge Learningは、異種エッジデバイス上で機械学習モデルの分散トレーニングを可能にする。
MELでは、十分なトレーニングデータやコンピューティングリソースを入手することなく、トレーニング性能が低下する。
そこで我々は2ラウンドのStackelbergゲームとしてオーケストレータとラーナーの相互作用を定式化するインセンティブ機構を提案する。
論文 参考訳（メタデータ） (2021-09-25T17:27:48Z) - LID 2020: The Learning from Imperfect Data Challenge Results [242.86700551532272]
Imperfect Dataワークショップからの学習は、新しいアプローチの開発に刺激を与え、促進することを目的としている。
我々は、弱教師付き学習環境における最先端のアプローチを見つけるために、3つの課題を編成する。
この技術的レポートは、課題のハイライトを要約している。
論文 参考訳（メタデータ） (2020-10-17T13:06:12Z) - Meta-Learning in Neural Networks: A Survey [4.588028371034406]
本調査では,現代メタラーニングの展望について述べる。
まずメタラーニングの定義について議論し、関連する分野について位置づける。
そこで我々はメタラーニング手法の空間をより包括的に分析する新しい分類法を提案する。
論文 参考訳（メタデータ） (2020-04-11T16:34:24Z) - Provable Meta-Learning of Linear Representations [114.656572506859]
我々は、複数の関連するタスクから共通の機能の集合を学習し、その知識を新しい未知のタスクに転送する、という2つの課題に対処する、高速でサンプル効率のアルゴリズムを提供する。
また、これらの線形特徴を学習する際のサンプルの複雑さに関する情報理論の下限も提供する。
論文 参考訳（メタデータ） (2020-02-26T18:21:34Z)
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。