論文の概要: One-shot Machine Teaching: Cost Very Few Examples to Converge Faster

• arxiv url: http://arxiv.org/abs/2212.06416v1
• Date: Tue, 13 Dec 2022 07:51:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 13:26:42.948313
• Title: One-shot Machine Teaching: Cost Very Few Examples to Converge Faster
• Title（参考訳）: ワンショットの機械教育:より速く収束するための例はごくわずか
• Authors: Chen Zhang, Xiaofeng Cao, Yi Chang, Ivor W Tsang
• Abstract要約: 単発機械教育という,よりインテリジェントな教育パラダイムについて検討する。 学習セットからモデルパラメータへの抽出可能なマッピングを確立する。 この写像が主観的であることを証明し、最適指導セットの存在を保証する。
• 参考スコア（独自算出の注目度）: 45.96956111867065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence is to teach machines to take actions like humans. To achieve intelligent teaching, the machine learning community becomes to think about a promising topic named machine teaching where the teacher is to design the optimal (usually minimal) teaching set given a target model and a specific learner. However, previous works usually require numerous teaching examples along with large iterations to guide learners to converge, which is costly. In this paper, we consider a more intelligent teaching paradigm named one-shot machine teaching which costs fewer examples to converge faster. Different from typical teaching, this advanced paradigm establishes a tractable mapping from the teaching set to the model parameter. Theoretically, we prove that this mapping is surjective, which serves to an existence guarantee of the optimal teaching set. Then, relying on the surjective mapping from the teaching set to the parameter, we develop a design strategy of the optimal teaching set under appropriate settings, of which two popular efficiency metrics, teaching dimension and iterative teaching dimension are one. Extensive experiments verify the efficiency of our strategy and further demonstrate the intelligence of this new teaching paradigm.
• Abstract（参考訳）: 人工知能は機械に人間のような行動を起こさせる。 知的な教育を達成するために、機械学習コミュニティは、教師がターゲットモデルと特定の学習者に与えられた最適な(通常最小限の)教育セットを設計する、機械教育と呼ばれる有望なトピックについて考えるようになる。 しかし、従来の作品では、学習者の収束を導くために、多くの指導例と大きなイテレーションが必要であり、これはコストがかかる。 本稿では,よりインテリジェントな教育パラダイムであるone-shot machine teachingについて考察する。 典型的な教示と異なり、この先進パラダイムは、教示集合からモデルパラメータへの扱いやすいマッピングを確立する。 理論的には、この写像が全射であることを証明し、最適な教示集合の存在を保証する。 そこで,本研究では,授業セットからパラメータへの主観的マッピングに基づいて,2つの一般的な効率指標,教示次元,反復的教示次元が1つである最適教示セットの設計戦略を開発する。 広範な実験により,我々の戦略の効率を検証し,この新しい教育パラダイムの知性をさらに実証した。

関連論文リスト

• Representational Alignment Supports Effective Machine Teaching [81.19197059407121]
  我々は,機械教育の知見と実践的なコミュニケーションを,表現的アライメントに関する文献と統合する。 教師の精度から表現的アライメントを遠ざける教師付き学習環境を設計する。
  論文  参考訳（メタデータ） (2024-06-06T17:48:24Z)
• Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
  本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。 AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。 本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
  論文  参考訳（メタデータ） (2024-05-07T17:05:27Z)
• Nonparametric Teaching for Multiple Learners [20.75580803325611]
  MINT(Multi-learner Nonparametric teaching)を導入した新しいフレームワークについて紹介する。 MINTは、複数の学習者を指導することを目的としており、各学習者はスカラー値のターゲットモデルを学習することに集中している。 我々は,MINTがシングルラーナー教育を繰り返すよりも指導のスピードアップが優れていることを実証した。
  論文  参考訳（メタデータ） (2023-11-17T04:04:11Z)
• Iterative Teacher-Aware Learning [136.05341445369265]
  人間の教育において、教師と学生はコミュニケーション効率を最大化するために適応的に交流することができる。 本稿では,教師の協調意図を可能性関数に組み込むことができる,勾配最適化に基づく教師認識学習者を提案する。
  論文  参考訳（メタデータ） (2021-10-01T00:27:47Z)
• Distribution Matching for Machine Teaching [64.39292542263286]
  機械学習の逆問題である機械学習は、学習者の目標仮説に向けて学習者を操ることを目的としている。 機械教育に関するこれまでの研究は、それらの最良の指導例を見つけるための教育のリスクとコストのバランスに重点を置いていた。 本稿では,分布マッチングに基づく機械教育戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-06T09:32:57Z)
• Learning Student-Friendly Teacher Networks for Knowledge Distillation [50.11640959363315]
  本研究では,教師から学生への暗黒知識の伝達を容易にする新しい知識蒸留手法を提案する。 事前教育を受けた教師に与えた学習モデルの効果的な学習方法のほとんどとは対照的に,学生に親しみやすい教師モデルを学ぶことを目的とする。
  論文  参考訳（メタデータ） (2021-02-12T07:00:17Z)
• Teaching to Learn: Sequential Teaching of Agents with Inner States [20.556373950863247]
  学習者の内的状態が授業の相互作用によって変化するようなマルチエージェントの定式化を導入する。 このような学習者を指導するために,学習者の今後のパフォーマンスを考慮に入れた最適制御手法を提案する。
  論文  参考訳（メタデータ） (2020-09-14T07:03:15Z)
• Iterative Machine Teaching without Teachers [12.239246363539634]
  既存の反復型機械教育の研究は、すべての指導例の真の答えを知っている教師がいると仮定している。 本研究では,そのような教師が存在しない教師なしの事例について考察する。 生徒は各イテレーションで指導例を与えられるが、対応するラベルが正しいかどうか保証はない。
  論文  参考訳（メタデータ） (2020-06-27T11:21:57Z)

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。