論文の概要: Optimizing Multi-Domain Performance with Active Learning-based Improvement Strategies

• arxiv url: http://arxiv.org/abs/2304.06277v1
• Date: Thu, 13 Apr 2023 05:27:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 15:30:07.084256
• Title: Optimizing Multi-Domain Performance with Active Learning-based Improvement Strategies
• Title（参考訳）: アクティブラーニングに基づく改善戦略によるマルチドメインパフォーマンスの最適化
• Authors: Anand Gokul Mahalingam, Aayush Shah, Akshay Gulati, Royston Mascarenhas, Rakshitha Panduranga
• Abstract要約: 複数のドメインにわたるパフォーマンス向上のための,アクティブな学習ベースのフレームワークを提案する。 まず、ベースモデルをトレーニングするためにラベル付きデータの初期セットを使用し、次にラベル付けのための最も情報性の高いサンプルを反復的に選択し、モデルを洗練させます。
• 参考スコア（独自算出の注目度）: 1.03905835096574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Improving performance in multiple domains is a challenging task, and often requires significant amounts of data to train and test models. Active learning techniques provide a promising solution by enabling models to select the most informative samples for labeling, thus reducing the amount of labeled data required to achieve high performance. In this paper, we present an active learning-based framework for improving performance across multiple domains. Our approach consists of two stages: first, we use an initial set of labeled data to train a base model, and then we iteratively select the most informative samples for labeling to refine the model. We evaluate our approach on several multi-domain datasets, including image classification, sentiment analysis, and object recognition. Our experiments demonstrate that our approach consistently outperforms baseline methods and achieves state-of-the-art performance on several datasets. We also show that our method is highly efficient, requiring significantly fewer labeled samples than other active learning-based methods. Overall, our approach provides a practical and effective solution for improving performance across multiple domains using active learning techniques.
• Abstract（参考訳）: 複数のドメインのパフォーマンス向上は難しい課題であり、モデルのトレーニングとテストには大量のデータが必要になることが多い。 アクティブラーニング技術は、モデルがラベル付けのための最も有益なサンプルを選択できるようにすることで、高いパフォーマンスを達成するのに必要なラベル付きデータの量を減らすことで、有望なソリューションを提供する。 本稿では,複数の領域にわたるパフォーマンス向上のための能動的学習基盤を提案する。 まず、ベースモデルをトレーニングするためにラベル付きデータの初期セットを使用し、次にラベル付けのための最も情報性の高いサンプルを反復的に選択し、モデルを洗練させます。 画像分類,感情分析,オブジェクト認識など,複数の多領域データセットに対するアプローチを評価した。 実験により,本手法はベースライン手法を一貫して上回り,複数のデータセット上で最先端の性能を達成することを示す。 また,本手法は高度に効率的であり,他のアクティブラーニングベース手法に比べてラベル付きサンプルが有意に少ないことを示す。 全体として、このアプローチは、アクティブな学習技術を使用して、複数のドメインにわたるパフォーマンスを改善するための実践的で効果的なソリューションを提供します。

関連論文リスト

• Learning to Rank for Active Learning via Multi-Task Bilevel Optimization [29.207101107965563]
  データ取得のための学習代理モデルを用いて、ラベルのないインスタンスのバッチを選択することを目的とした、アクティブな学習のための新しいアプローチを提案する。 このアプローチにおける重要な課題は、ユーティリティ関数の入力の一部を構成するデータの歴史が時間とともに増大するにつれて、よく一般化する取得関数を開発することである。
  論文  参考訳（メタデータ） (2023-10-25T22:50:09Z)
• A Lagrangian Duality Approach to Active Learning [119.36233726867992]
  トレーニングデータのサブセットのみをラベル付けするバッチアクティブな学習問題を考察する。 制約付き最適化を用いて学習問題を定式化し、各制約はラベル付きサンプルにモデルの性能を拘束する。 数値実験により,提案手法は最先端の能動学習法と同等かそれ以上に機能することを示した。
  論文  参考訳（メタデータ） (2022-02-08T19:18:49Z)
• Practical Active Learning with Model Selection for Small Data [13.128648437690224]
  モデル選択を用いた実践的能動的学習のための簡易かつ高速な手法を開発した。 本手法は,ラジアル基底関数カーネルを用いたサポートベクトル分類を用いて,二元分類のためのプールベースアクティブラーナに基づく。
  論文  参考訳（メタデータ） (2021-12-21T23:11:27Z)
• Towards General and Efficient Active Learning [20.888364610175987]
  アクティブラーニングは、限られたアノテーション予算を利用するために最も有益なサンプルを選択することを目的としている。 本稿では,新しい汎用能動学習法(GEAL)を提案する。 提案手法は,同一モデルの単一パス推定を用いて,異なるデータセット上でデータ選択処理を行うことができる。
  論文  参考訳（メタデータ） (2021-12-15T08:35:28Z)
• Meta Navigator: Search for a Good Adaptation Policy for Few-shot Learning [113.05118113697111]
  少ないショット学習は、ラベル付きデータしか持たない新しいタスクに、以前のタスクから学んだ知識を適応させることを目的としている。 少数ショット学習に関する研究文献は、大きな多様性を示し、異なるアルゴリズムは、しばしば異なる少数ショット学習シナリオで優れている。 本稿では,メタナビゲータ(Meta Navigator)について紹介する。
  論文  参考訳（メタデータ） (2021-09-13T07:20:01Z)
• ALLWAS: Active Learning on Language models in WASserstein space [13.35098213857704]
  医学などのいくつかの領域では、ラベル付きトレーニングデータの不足が一般的な問題である。 アクティブな学習は、ラベルの予算が限られている場合、パフォーマンスを高めるのに役立ちます。 言語モデルにおけるアクティブ学習のためのサブモジュール最適化と最適輸送に基づくサンプリング手法を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-03T18:11:07Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Multi-Domain Adversarial Feature Generalization for Person Re-Identification [52.835955258959785]
  マルチデータセット特徴一般化ネットワーク(MMFA-AAE)を提案する。 複数のラベル付きデータセットから普遍的なドメイン不変の特徴表現を学習し、それを見えないカメラシステムに一般化することができる。 また、最先端の教師付き手法や教師なしのドメイン適応手法を大きなマージンで超えている。
  論文  参考訳（メタデータ） (2020-11-25T08:03:15Z)
• Semi-supervised Batch Active Learning via Bilevel Optimization [89.37476066973336]
  両レベル最適化によるデータ要約問題として,本手法を定式化する。 本手法は,ラベル付きサンプルがほとんど存在しない場合,レジーム内のキーワード検出タスクにおいて極めて有効であることを示す。
  論文  参考訳（メタデータ） (2020-10-19T16:53:24Z)
• Selecting Relevant Features from a Multi-domain Representation for Few-shot Classification [91.67977602992657]
  本稿では,従来の特徴適応手法よりもシンプルかつ効果的である特徴選択に基づく新しい戦略を提案する。 このような特徴の上に構築された単純な非パラメトリック分類器は高い精度を示し、訓練中に見たことのない領域に一般化する。
  論文  参考訳（メタデータ） (2020-03-20T15:44:17Z)

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。