論文の概要: ALANNO: An Active Learning Annotation System for Mortals

• arxiv url: http://arxiv.org/abs/2211.06224v1
• Date: Fri, 11 Nov 2022 14:19:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 16:49:40.412679
• Title: ALANNO: An Active Learning Annotation System for Mortals
• Title（参考訳）: alanno: 死亡者のためのアクティブラーニングアノテーションシステム
• Authors: Josip Juki\'c, Fran Jeleni\'c, Miroslav Bi\'cani\'c, Jan \v{S}najder
• Abstract要約: ALANNOは、アクティブラーニングを利用したNLPタスクのためのオープンソースのアノテーションシステムである。 アクティブな学習システムを展開する上での実践的な課題に焦点をあてる。 我々は、多くのアクティブな学習方法と基盤となる機械学習モデルで、このシステムをサポートしています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In today's data-driven society, supervised machine learning is rapidly evolving, and the need for labeled data is increasing. However, the process of acquiring labels is often expensive and tedious. For this reason, we developed ALANNO, an open-source annotation system for NLP tasks powered by active learning. We focus on the practical challenges in deploying active learning systems and try to find solutions to make active learning effective in real-world applications. We support the system with a wealth of active learning methods and underlying machine learning models. In addition, we leave open the possibility to add new methods, which makes the platform useful for both high-quality data annotation and research purposes.
• Abstract（参考訳）: 今日のデータ駆動社会では、教師付き機械学習が急速に進化し、ラベル付きデータの必要性が高まっている。 しかし、ラベルの取得プロセスは高価で面倒であることが多い。 そこで我々は,能動学習を利用したNLPタスクのためのオープンソースのアノテーションシステムであるALANNOを開発した。 アクティブな学習システムをデプロイする上での実践的な課題に注目し、実世界のアプリケーションでアクティブな学習を効果的にするためのソリューションを見つけ出そうとする。 我々は、アクティブな学習方法と基礎となる機械学習モデルが豊富なシステムをサポートする。 さらに、我々は新しいメソッドを追加する可能性を開放し、高品質のデータアノテーションと研究目的の両方にプラットフォームが役立つようにします。

関連論文リスト

• Efficient Human-in-the-Loop Active Learning: A Novel Framework for Data Labeling in AI Systems [0.6267574471145215]
  本稿では,現代のAIシステムに適用可能な,新たなアクティブラーニングフレームワークを提案する。 従来のアクティブな学習手法とは違い、どのデータポイントにラベルを付けるべきかを判断することのみに重点を置いているのに対し、我々のフレームワークは異なるクエリスキームを組み込むという革新的な視点も導入しています。 提案する能動学習フレームワークは,他の手法と比較して精度が高く,損失も少ない。
  論文  参考訳（メタデータ） (2024-12-31T05:12:51Z)
• Learn while Unlearn: An Iterative Unlearning Framework for Generative Language Models [49.043599241803825]
  Iterative Contrastive Unlearning (ICU)フレームワークは3つのコアコンポーネントで構成されている。 知識未学習誘導モジュールは、未学習の損失を通じて特定の知識を除去する。 Contrastive Learning Enhancementモジュールは、純粋な未学習の目標に対してモデルの表現力を維持する。 また、特定のデータ片の未学習範囲を動的に評価し、反復的な更新を行う反復未学習リファインメントモジュールも用意されている。
  論文  参考訳（メタデータ） (2024-07-25T07:09:35Z)
• Towards Automated Knowledge Integration From Human-Interpretable Representations [55.2480439325792]
  我々は,情報メタ学習の原理を理論的に導入・動機付けし,自動的かつ制御可能な帰納バイアス選択を可能にする。 データ効率と一般化を改善するための情報メタラーニングのメリットと限界を実証的に示す。
  論文  参考訳（メタデータ） (2024-02-25T15:08:37Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [65.57123249246358]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
  AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。 データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
  論文  参考訳（メタデータ） (2022-11-27T13:07:14Z)
• Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
  我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。 まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。 トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-11-24T13:18:27Z)
• Lifelong Adaptive Machine Learning for Sensor-based Human Activity Recognition Using Prototypical Networks [0.0]
  連続学習は、生涯学習としても知られ、機械学習分野への関心が高まりつつある研究トピックである。 我々は,連続機械学習の分野における最近の進歩を基盤に,プロトタイプネットワーク(LPPNet-HAR)を用いた生涯適応型学習フレームワークを設計する。 LAPNet-HARは、タスクフリーなデータインクリメンタルな方法でセンサベースのデータストリームを処理する。
  論文  参考訳（メタデータ） (2022-03-11T00:57:29Z)
• Bayesian active learning for production, a systematic study and a reusable library [85.32971950095742]
  本稿では,現在のアクティブラーニング技術の主な欠点について分析する。 実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。 部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
  論文  参考訳（メタデータ） (2020-06-17T14:51:11Z)
• Scalable Active Learning for Object Detection [20.99502312184771]
  アクティブラーニングは教師付き学習手法のデータ効率を向上させる強力な手法である。 自動運転の分野におけるアクティブな学習のためのスケーラブルな生産システムを構築しました。
  論文  参考訳（メタデータ） (2020-04-09T17:28:56Z)

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。