Fugu-MT 論文翻訳(概要): Pool-Based Active Learning with Proper Topological Regions

論文の概要: Pool-Based Active Learning with Proper Topological Regions

arxiv url: http://arxiv.org/abs/2310.01597v1
Date: Mon, 2 Oct 2023 19:42:33 GMT
ステータス: 処理完了
システム内更新日: 2023-10-04 19:08:58.900397
Title: Pool-Based Active Learning with Proper Topological Regions
Title（参考訳）: 適切なトポロジカル領域を用いたプール型アクティブラーニング
Authors: Lies Hadjadj, Emilie Devijver, Remi Molinier, Massih-Reza Amini
Abstract要約: プールベースのアクティブな学習手法は、ラベルのないデータの集合の中で、トレーニングに最も関係のあるものを検出する。本稿では,複数クラス分類タスクの文脈におけるプール型アクティブラーニング戦略のメタアプローチを提案する。
参考スコア（独自算出の注目度）: 5.5165579223151795
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine learning methods usually rely on large sample size to have good performance, while it is difficult to provide labeled set in many applications. Pool-based active learning methods are there to detect, among a set of unlabeled data, the ones that are the most relevant for the training. We propose in this paper a meta-approach for pool-based active learning strategies in the context of multi-class classification tasks based on Proper Topological Regions. PTR, based on topological data analysis (TDA), are relevant regions used to sample cold-start points or within the active learning scheme. The proposed method is illustrated empirically on various benchmark datasets, being competitive to the classical methods from the literature.
Abstract（参考訳）: 機械学習の手法は通常、優れた性能を得るために大きなサンプルサイズに依存するが、多くのアプリケーションでラベル付きセットを提供することは困難である。プールベースのアクティブな学習手法は、ラベルのないデータの集合の中で、トレーニングに最も関係のあるものを検出する。本稿では,適切なトポロジカル領域に基づく多クラス分類タスクの文脈におけるプール型アクティブラーニング戦略のメタアプローチを提案する。 PTRは、トポロジカルデータ分析(TDA)に基づいて、コールドスタート点のサンプリングやアクティブラーニングスキーム内の関連する領域である。提案手法は,様々なベンチマークデータセット上で実証的に示され,文献の古典的手法と競合する。

関連論文リスト

Image Classification with Deep Reinforcement Active Learning [28.924413229981827]
多くの実世界のシナリオでは、ラベル付きデータは不足しており、ハンドラベルは時間、労力、コストが要求される。アクティブラーニング(英: Active Learning)は、専門家によって注釈付けされ、手作業によるデータのラベル付けを緩和する代替パラダイムである。本研究では,マルコフ決定過程(MDP)に基づく適応型能動学習法を提案する。
論文参考訳（メタデータ） (2024-12-27T18:37:51Z)
A Closer Look at Deep Learning Methods on Tabular Datasets [52.50778536274327]
タブラルデータは、機械学習のさまざまな領域で広く使われている。 Deep Neural Network(DNN)ベースの手法は最近、有望なパフォーマンスを実証した。我々は,32種類の最先端の深部・木質の手法を比較し,その平均性能を複数の基準で評価した。
論文参考訳（メタデータ） (2024-07-01T04:24:07Z)
Classification Tree-based Active Learning: A Wrapper Approach [4.706932040794696]
本稿では,木構造にサンプリングプロセスを整理し,分類のためのラッパー能動的学習法を提案する。ラベル付き標本の初期集合上に構築された分類木は、空間を低エントロピー領域に分解すると考えられる。この適応は、既存のアクティブラーニング手法よりも大幅に向上することが証明されている。
論文参考訳（メタデータ） (2024-04-15T17:27:00Z)
Exploiting Diversity of Unlabeled Data for Label-Efficient Semi-Supervised Active Learning [57.436224561482966]
アクティブラーニング(英: Active Learning)は、ラベリングのための最も重要なサンプルを選択することで、高価なラベリングの問題に対処する研究分野である。アクティブな学習環境における初期ラベル付けのための最も情報性の高いサンプル群を選択するために,多様性に基づく新しい初期データセット選択アルゴリズムを提案する。また、一貫性に基づく埋め込みの多様性に基づくサンプリングを用いた、新しいアクティブな学習クエリ戦略を提案する。
論文参考訳（メタデータ） (2022-07-25T16:11:55Z)
Dominant Set-based Active Learning for Text Classification and its Application to Online Social Media [0.0]
本稿では,最小限のアノテーションコストで大規模未ラベルコーパスのトレーニングを行うための,プールベースのアクティブラーニング手法を提案する。提案手法には調整すべきパラメータが一切ないため,データセットに依存しない。本手法は,最先端のアクティブラーニング戦略と比較して高い性能を実現する。
論文参考訳（メタデータ） (2022-01-28T19:19:03Z)
MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文参考訳（メタデータ） (2021-07-23T06:57:08Z)
ALdataset: a benchmark for pool-based active learning [1.9308522511657449]
アクティブ・ラーニング(AL)は機械学習(ML)のサブフィールドであり、学習アルゴリズムは新しいデータポイントをラベル付けするためにユーザ/オーラルを対話的にクエリすることで、トレーニングサンプルの少ない精度で学習できる。プールベースのALは多くのMLタスクにおいて、ラベルのないデータが豊富にあるが、ラベルを得るのは難しい。提案手法は,最近提案された手法と古典的手法の両方で,様々なアクティブな学習戦略の実験結果を示し,その結果から洞察を得た。
論文参考訳（メタデータ） (2020-10-16T04:37:29Z)
Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文参考訳（メタデータ） (2020-09-08T07:29:05Z)
Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
数発の分類問題の調査に2つの貢献をしている。本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
論文参考訳（メタデータ） (2020-08-10T11:28:52Z)
Learning to Select Base Classes for Few-shot Classification [96.92372639495551]
我々は、数ショットモデルの一般化性能を示す指標として、類似度比を用いる。次に、類似度比に対する部分モジュラー最適化問題として基底クラス選択問題を定式化する。
論文参考訳（メタデータ） (2020-04-01T09:55:18Z)

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。