論文の概要: Multi-Fidelity Active Learning with GFlowNets

• arxiv url: http://arxiv.org/abs/2306.11715v1
• Date: Tue, 20 Jun 2023 17:43:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 13:05:47.891682
• Title: Multi-Fidelity Active Learning with GFlowNets
• Title（参考訳）: GFlowNetsを用いた多要素アクティブラーニング
• Authors: Alex Hernandez-Garcia and Nikita Saxena and Moksh Jain and Cheng-Hao Liu and Yoshua Bengio
• Abstract要約: 我々は,複数のブラックボックス関数の近似を低忠実度かつ低コストで利用できる多忠実能動学習のためのGFlowNetsを提案する。 この結果から,GFlowNetsを用いた多要素能動学習は,異なるコストと忠実度で複数のオラクルの可用性を効果的に活用できることが示唆された。
• 参考スコア（独自算出の注目度）: 77.01923839831899
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the last decades, the capacity to generate large amounts of data in science and engineering applications has been growing steadily. Meanwhile, the progress in machine learning has turned it into a suitable tool to process and utilise the available data. Nonetheless, many relevant scientific and engineering problems present challenges where current machine learning methods cannot yet efficiently leverage the available data and resources. For example, in scientific discovery, we are often faced with the problem of exploring very large, high-dimensional spaces, where querying a high fidelity, black-box objective function is very expensive. Progress in machine learning methods that can efficiently tackle such problems would help accelerate currently crucial areas such as drug and materials discovery. In this paper, we propose the use of GFlowNets for multi-fidelity active learning, where multiple approximations of the black-box function are available at lower fidelity and cost. GFlowNets are recently proposed methods for amortised probabilistic inference that have proven efficient for exploring large, high-dimensional spaces and can hence be practical in the multi-fidelity setting too. Here, we describe our algorithm for multi-fidelity active learning with GFlowNets and evaluate its performance in both well-studied synthetic tasks and practically relevant applications of molecular discovery. Our results show that multi-fidelity active learning with GFlowNets can efficiently leverage the availability of multiple oracles with different costs and fidelities to accelerate scientific discovery and engineering design.
• Abstract（参考訳）: 過去数十年間、科学と工学の応用において大量のデータを生成する能力は着実に成長してきた。 一方、機械学習の進歩は、利用可能なデータを処理し、利用するのに適したツールになった。 それでも、関連する科学や工学の問題の多くは、現在の機械学習手法が利用可能なデータやリソースを効率的に活用できないという課題を提起している。 例えば、科学的な発見では、高忠実度でブラックボックスの目的関数のクエリは非常に高価であるような、非常に大きな高次元空間を探索する問題に直面することが多い。 このような問題に効率的に対処できる機械学習手法の進歩は、薬物や材料の発見のような現在重要な領域を加速するのに役立つだろう。 本稿では,複数のブラックボックス関数の近似を低忠実度かつ低コストで利用できる多忠実能動学習のためのGFlowNetsを提案する。 GFlowNetは近年,大規模で高次元空間の探索に有効な確率的推論手法として提案されている。 本稿では,gflownetsを用いた多元的アクティブラーニングのためのアルゴリズムについて述べるとともに,その性能について,よく研究された合成タスクと分子発見の実際的応用の両方において評価する。 以上の結果から,gflownetsを用いた多元的アクティブラーニングは,異なるコストとフィディティーを持つ複数のオラクルの可用性を効率的に活用し,科学的発見とエンジニアリング設計を加速できることが示されている。

関連論文リスト

• regAL: Python Package for Active Learning of Regression Problems [0.0]
  PythonパッケージregALでは、レグレッション問題に対するさまざまなアクティブな学習戦略を評価することができる。 我々は,レグレッション問題に対する様々なアクティブ学習戦略を評価することができるPythonパッケージregALを提案する。
  論文  参考訳（メタデータ） (2024-10-23T14:34:36Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)
• NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision Research [96.53307645791179]
  我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。 分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。 NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
  論文  参考訳（メタデータ） (2022-11-15T18:57:46Z)
• What Makes Good Contrastive Learning on Small-Scale Wearable-based Tasks? [59.51457877578138]
  本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。 本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
  論文  参考訳（メタデータ） (2022-02-12T06:10:15Z)
• Maximum Entropy Model-based Reinforcement Learning [0.0]
  この研究は、探索技術とモデルに基づく強化学習を結びつけている。 モデルベースアプローチの特徴を考慮した新しい探索手法を考案した。 また,本手法がモデルベースアルゴリズムDreamerの性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2021-12-02T13:07:29Z)
• Understanding the World Through Action [91.3755431537592]
  ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。 このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
  論文  参考訳（メタデータ） (2021-10-24T22:33:52Z)
• Learning Multimodal Rewards from Rankings [7.266985088439535]
  私たちは、単調な報酬を学ぶことを超えて、マルチモーダルな報酬関数を学ぶことに重点を置いています。 混合学習問題としてマルチモーダル報酬学習を定式化する。 我々はOpenAIのLunarLanderのマルチタスク版と本物のFetchロボットを用いて実験とユーザスタディを行う。
  論文  参考訳（メタデータ） (2021-09-27T01:22:01Z)
• 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)

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。