論文の概要: Active Learning in Physics: From 101, to Progress, and Perspective

• arxiv url: http://arxiv.org/abs/2307.03899v1
• Date: Sat, 8 Jul 2023 04:36:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-11 16:47:34.046261
• Title: Active Learning in Physics: From 101, to Progress, and Perspective
• Title（参考訳）: 物理学におけるアクティブラーニング:101から進歩,そして展望へ
• Authors: Yongcheng Ding, Jos\'e D. Mart\'in-Guerrero, Yolanda Vives-Gilabert, Xi Chen
• Abstract要約: Active Learning (AL) は、機械学習(ML)アルゴリズムのファミリーであり、人工知能の現在の時代をさかのぼる。 本稿では,様々な領域における最新の進歩をレビューするAL理論について,包括的でアクセスしやすい紹介を行う。 量子MLへのALの統合の可能性を探り、古典MLを量子領域への単なる拡張と見なすのではなく、これらの2つのフィールドの相乗的融合を想定する。
• 参考スコア（独自算出の注目度）: 3.53163169498295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active Learning (AL) is a family of machine learning (ML) algorithms that predates the current era of artificial intelligence. Unlike traditional approaches that require labeled samples for training, AL iteratively selects unlabeled samples to be annotated by an expert. This protocol aims to prioritize the most informative samples, leading to improved model performance compared to training with all labeled samples. In recent years, AL has gained increasing attention, particularly in the field of physics. This paper presents a comprehensive and accessible introduction to the theory of AL reviewing the latest advancements across various domains. Additionally, we explore the potential integration of AL with quantum ML, envisioning a synergistic fusion of these two fields rather than viewing AL as a mere extension of classical ML into the quantum realm.
• Abstract（参考訳）: Active Learning (AL) は、機械学習(ML)アルゴリズムのファミリであり、人工知能の現在の時代をさかのぼる。 トレーニングにラベル付きサンプルを必要とする従来のアプローチとは異なり、alは専門家が注釈を付けるためにラベルなしサンプルを反復的に選択する。 このプロトコルは、最も情報に富むサンプルを優先することを目的としており、ラベル付きサンプルのトレーニングと比較してモデル性能が改善されている。 近年、alは特に物理学の分野で注目を集めている。 本稿では,al理論の包括的かつ到達可能な紹介を行い,様々な領域における最新の進歩を概観する。 さらに、ALと量子MLの統合の可能性を探り、ALを古典MLの量子領域への単なる拡張と見なすのではなく、これらの2つの場の相乗的融合を想定する。

関連論文リスト

• LC-Protonets: Multi-label Few-shot learning for world music audio tagging [65.72891334156706]
  ラベル結合型プロトタイプネットワーク(LC-Protonets)を導入し,複数ラベルの複数ショット分類の問題に対処する。 LC-Protonetsは、限られたトレーニング項目に存在するラベルのパワーセットから、ラベルの組み合わせごとに1つのプロトタイプを生成する。 本手法は,様々な文化をカバーし,現代音楽と伝統音楽の両方を含む,多様な音楽データセットにまたがる自動音声タグ付けに適用する。
  論文  参考訳（メタデータ） (2024-09-17T15:13:07Z)
• Quantum Active Learning [3.3202982522589934]
  量子ニューラルネットワークのトレーニングは通常、教師付き学習のための実質的なラベル付きトレーニングセットを必要とする。 QALはモデルを効果的にトレーニングし、完全にラベル付けされたデータセットに匹敵するパフォーマンスを達成する。 我々は,QALがランダムサンプリングベースラインに乗じて負の結果を微妙な数値実験により解明する。
  論文  参考訳（メタデータ） (2024-05-28T14:39:54Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Active Learning on a Programmable Photonic Quantum Processor [6.762439942352232]
  量子機械学習モデルのトレーニングには大きなラベル付きデータセットが必要で、高いラベル付けと計算コストが発生する。 このようなコストを削減するため、アクティブラーニング(AL)と呼ばれる選択的なトレーニング戦略では、学習対象とする元のデータセットのサブセットのみを選択する。 本稿では、量子機械学習におけるALの潜在的な応用と有効性を検討するために、2つのALを用いた変分量子分類器を設計、実装する。
  論文  参考訳（メタデータ） (2022-08-03T14:34:12Z)
• 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)
• Quantum Machine Learning for Chemistry and Physics [2.786820702277084]
  機械学習(ML)とその従兄弟のディープラーニング(DL)は、物理科学、特に化学のあらゆる分野で前例のない発展をもたらした。 このレビューでは、これらのトピックのサブセットを詳述し、古典的および量子コンピューティングの強化された機械学習アルゴリズムによる貢献を、過去数年間にわたって詳述する。
  論文  参考訳（メタデータ） (2021-11-01T11:38:47Z)
• Clustering and enhanced classification using a hybrid quantum autoencoder [0.0]
  本稿では,量子状態から情報を抽出する手法を提案する。 この変分QMLアルゴリズムは、それらの重要な識別特性を識別し、古典的に表現することを学ぶ。 HQAモデルの解析と利用は振幅符号化状態の文脈で述べる。
  論文  参考訳（メタデータ） (2021-07-26T06:50:31Z)
• MAML is a Noisy Contrastive Learner [72.04430033118426]
  モデルに依存しないメタラーニング(MAML)は、今日では最も人気があり広く採用されているメタラーニングアルゴリズムの1つである。 我々は、MAMLの動作メカニズムに対する新たな視点を提供し、以下に示すように、MAMLは、教師付きコントラスト目的関数を用いたメタラーナーに類似している。 このような干渉を軽減するため, 単純だが効果的な手法であるゼロ化手法を提案する。
  論文  参考訳（メタデータ） (2021-06-29T12:52:26Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Exploring Complementary Strengths of Invariant and Equivariant Representations for Few-Shot Learning [96.75889543560497]
  多くの現実世界では、多数のラベル付きサンプルの収集は不可能です。 少ないショット学習はこの問題に対処するための主要なアプローチであり、目的は限られた数のサンプルの存在下で新しいカテゴリに迅速に適応することです。 幾何学的変換の一般集合に対する等分散と不変性を同時に強制する新しい訓練機構を提案する。
  論文  参考訳（メタデータ） (2021-03-01T21:14:33Z)
• Quantum Annealing for Semi-Supervised Learning [5.714334716737985]
  セミ教師付き学習は、ラベル付きデータとラベルなしデータの両方をトレーニングに使う機械学習技術である。 本稿では,量子アニール法を用いて,グラフに基づく半教師付き学習手法を提案し,理論的に解析する。 本稿では,ラベル付きデータの一部(20%)が関与している場合でも,本手法の有効性を示唆する2つの分類例を示す。
  論文  参考訳（メタデータ） (2020-03-27T15:09:44Z)

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。