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

• arxiv url: http://arxiv.org/abs/2306.11715v2
• Date: Sun, 1 Sep 2024 11:15:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-04 22:44:54.710658
• 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, Nikita Saxena, Moksh Jain, Cheng-Hao Liu, Yoshua Bengio,
• Abstract要約: 本稿では,GFlowNetsをサンプルとして多要素能動学習アルゴリズムを提案する。 分子探索タスクの評価は,GFlowNetsを用いた多要素能動学習が,その単要素の予算のごく一部で高い評価の候補を発見できることを示す。
• 参考スコア（独自算出の注目度）: 65.91555804996203
• 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, machine learning has progressed to become 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, structured and high-dimensional spaces. Moreover, the high fidelity, black-box objective function is often very expensive to evaluate. Progress in machine learning methods that can efficiently tackle such challenges would help accelerate currently crucial areas such as drug and materials discovery. In this paper, we propose a multi-fidelity active learning algorithm with GFlowNets as a sampler, to efficiently discover diverse, high-scoring candidates where multiple approximations of the black-box function are available at lower fidelity and cost. Our evaluation on molecular discovery tasks shows that multi-fidelity active learning with GFlowNets can discover high-scoring candidates at a fraction of the budget of its single-fidelity counterpart while maintaining diversity, unlike RL-based alternatives. These results open new avenues for multi-fidelity active learning 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りつつある。 それでも、関連する科学的・工学的な問題の多くは、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果的に活用できないという課題を提起している。 例えば、科学的な発見において、我々はしばしば、非常に大きく、構造化され、高次元の空間を探索する問題に直面している。 さらに、高忠実でブラックボックスの客観的関数を評価するのは非常に高価であることが多い。 このような課題に効果的に対処できる機械学習手法の進歩は、薬物や物質発見のような現在重要な領域を加速させるのに役立つだろう。 本稿では,GFlowNetsをサンプルとして多要素能動学習アルゴリズムを提案する。 分子探索タスクの評価の結果,GFlowNets を用いた多要素能動学習は,RL の代替と異なり,多様性を維持しつつ,単一要素の予算のごく一部で高い評価の候補を発見できることがわかった。 これらの結果は、科学的な発見と工学的設計を加速するために、多要素能動学習のための新たな道を開く。

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。