論文の概要: Deep Active Learning for Computer Vision: Past and Future

• arxiv url: http://arxiv.org/abs/2211.14819v1
• Date: Sun, 27 Nov 2022 13:07:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 19:23:36.378843
• Title: Deep Active Learning for Computer Vision: Past and Future
• Title（参考訳）: コンピュータビジョンのための深層アクティブラーニング:過去と未来
• Authors: Rinyoichi Takezoe, Xu Liu, Shunan Mao, Marco Tianyu Chen, Zhanpeng Feng, Shiliang Zhang, Xiaoyu Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.19394935978135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As an important data selection schema, active learning emerges as the essential component when iterating an Artificial Intelligence (AI) model. It becomes even more critical given the dominance of deep neural network based models, which are composed of a large number of parameters and data hungry, in application. Despite its indispensable role for developing AI models, research on active learning is not as intensive as other research directions. In this paper, we present a review of active learning through deep active learning approaches from the following perspectives: 1) technical advancements in active learning, 2) applications of active learning in computer vision, 3) industrial systems leveraging or with potential to leverage active learning for data iteration, 4) current limitations and future research directions. We expect this paper to clarify the significance of active learning in a modern AI model manufacturing process and to bring additional research attention to active learning. By addressing data automation challenges and coping with automated machine learning systems, active learning will facilitate democratization of AI technologies by boosting model production at scale.
• Abstract（参考訳）: 重要なデータ選択スキーマとして、人工知能(AI)モデルを反復する場合、アクティブな学習が必須のコンポーネントとして現れる。 アプリケーション内で大量のパラメータとデータが空いているディープニューラルネットワークベースのモデルが支配的であることを考慮すると、これはさらに重要になります。 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。 本稿では、以下の観点から、深いアクティブラーニングアプローチによるアクティブラーニングについて概観する。 1)アクティブラーニングの技術的進歩 2)コンピュータビジョンにおけるアクティブラーニングの応用 3)データ反復に積極的学習を活用した産業システム 4)現在の限界と今後の研究方向 本稿では、現代のAIモデル製造プロセスにおけるアクティブラーニングの重要性を明らかにし、アクティブラーニングにさらなる研究の注意を向けることを期待する。 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、大規模なモデル生産を促進することによって、AI技術の民主化を促進する。

関連論文リスト

• A Survey of Embodied Learning for Object-Centric Robotic Manipulation [27.569063968870868]
  オブジェクト中心のロボット操作のための身体学習は、AIの急速に発展し、挑戦的な分野である。 データ駆動機械学習とは異なり、具体化学習は環境との物理的相互作用を通じてロボット学習に焦点を当てる。
  論文  参考訳（メタデータ） (2024-08-21T11:32:09Z)
• 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)
• Active ML for 6G: Towards Efficient Data Generation, Acquisition, and Annotation [16.27834604691938]
  本稿では,6Gネットワークにおけるアクティブ機械学習(ML)の統合について検討する。 受動的MLシステムとは異なり、アクティブMLはネットワーク環境と相互作用する。 我々は,能動学習に基づく6Gネットワークが計算効率を向上させる可能性を強調した。
  論文  参考訳（メタデータ） (2024-06-05T21:29:05Z)
• Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
  本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。 我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
  論文  参考訳（メタデータ） (2024-03-27T05:10:38Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
  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)
• Enhancing Robot Learning through Learned Human-Attention Feature Maps [6.724036710994883]
  ロボット学習にフォーカスポイントに関する補助情報を埋め込むことで、学習プロセスの効率性と堅牢性が向上すると考えられる。 本稿では,人間の注意を近似予測モデルでモデル化し,エミュレートするための新しいアプローチを提案する。 我々は,物体検出と模倣学習という2つの学習課題にアプローチを試行する。
  論文  参考訳（メタデータ） (2023-08-29T14:23:44Z)
• ALANNO: An Active Learning Annotation System for Mortals [0.0]
  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。
  論文  参考訳（メタデータ） (2022-11-11T14:19:41Z)
• Parrot: Data-Driven Behavioral Priors for Reinforcement Learning [79.32403825036792]
  そこで本研究では,実験で得られた複雑なインプット・アウトプット関係を事前に学習する手法を提案する。 RLエージェントが新規な動作を試す能力を阻害することなく、この学習が新しいタスクを迅速に学習するのにどのように役立つかを示す。
  論文  参考訳（メタデータ） (2020-11-19T18:47:40Z)
• 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。