論文の概要: Adaptive Robust Learning using Latent Bernoulli Variables

• arxiv url: http://arxiv.org/abs/2312.00585v2
• Date: Fri, 14 Jun 2024 12:19:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-17 19:33:45.837769
• Title: Adaptive Robust Learning using Latent Bernoulli Variables
• Title（参考訳）: 潜在ベルヌーイ変数を用いた適応ロバスト学習
• Authors: Aleksandr Karakulev, Dave Zachariah, Prashant Singh,
• Abstract要約: 破損したトレーニングセットから学習するための適応的なアプローチを提案する。 我々は,潜伏したベルヌーイ変数を持つ崩壊した非破壊標本を同定した。 結果の問題は変分推論によって解決される。
• 参考スコア（独自算出の注目度）: 50.223140145910904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an adaptive approach for robust learning from corrupted training sets. We identify corrupted and non-corrupted samples with latent Bernoulli variables and thus formulate the learning problem as maximization of the likelihood where latent variables are marginalized. The resulting problem is solved via variational inference, using an efficient Expectation-Maximization based method. The proposed approach improves over the state-of-the-art by automatically inferring the corruption level, while adding minimal computational overhead. We demonstrate our robust learning method and its parameter-free nature on a wide variety of machine learning tasks including online learning and deep learning where it adapts to different levels of noise and maintains high prediction accuracy.
• Abstract（参考訳）: 破損したトレーニングセットからの堅牢な学習のための適応的なアプローチを提案する。 我々は,潜伏したベルヌーイ変数を用いた崩壊・非崩壊サンプルを同定し,潜伏変数が辺縁化される可能性の最大化として学習問題を定式化する。 その結果,効率のよい予測最大化法を用いて,変分推論によって問題を解いた。 提案手法は, 汚職レベルを自動的に推定し, 計算オーバーヘッドを最小化することにより, 最先端技術よりも改善する。 オンライン学習やディープラーニングなど,さまざまなレベルのノイズに適応し,高い予測精度を維持する機械学習タスクにおいて,ロバストな学習手法とそのパラメータフリー性を実証する。

関連論文リスト

• Robust Deep Reinforcement Learning with Adaptive Adversarial Perturbations in Action Space [3.639580365066386]
  本稿では,トレーニング中の対向摂動の影響を調整するための適応的対向係数フレームワークを提案する。 提案手法の特長は,実世界のアプリケーションに簡単にデプロイでき,シミュレータに事前にアクセスする必要がなくなることである。 MuJoCoの実験から,本手法はトレーニングの安定性を向上し,異なるテスト環境に移行する際の堅牢なポリシを学習できることが示された。
  論文  参考訳（メタデータ） (2024-05-20T12:31:11Z)
• Primal Dual Continual Learning: Balancing Stability and Plasticity through Adaptive Memory Allocation [86.8475564814154]
  制約付き最適化問題を直接実行することは可能かつ有益であることを示す。 メモリベースのメソッドでは、以前のタスクからのサンプルの小さなサブセットをリプレイバッファに格納できる。 両変数は,制約摂動に対する連続学習問題の最適値の感度を示す。
  論文  参考訳（メタデータ） (2023-09-29T21:23:27Z)
• Variational Self-Supervised Contrastive Learning Using Beta Divergence [0.0]
  本稿では,データノイズに対して頑健な自己教師付き学習手法を提案する。 顔理解領域における多ラベルデータセットを用いた線形評価と微調整シナリオを含む厳密な実験により,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-09-05T17:21:38Z)
• Robust Deep Reinforcement Learning Scheduling via Weight Anchoring [7.570246812206769]
  我々は、重みアンカーを用いてニューラルネットワークの望ましい振る舞いを培養し、固定する。 ウェイトアンカーは、他の学習問題の解に近い学習問題の解を見つけるために用いられる。 その結果,シミュレーション環境を増強する技術に匹敵する性能が得られた。
  論文  参考訳（メタデータ） (2023-04-20T09:30:23Z)
• A Boosting Approach to Reinforcement Learning [59.46285581748018]
  複雑度が状態数に依存しない意思決定プロセスにおける強化学習のための効率的なアルゴリズムについて検討する。 このような弱い学習手法の精度を向上させることができる効率的なアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2021-08-22T16:00:45Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Learning perturbation sets for robust machine learning [97.6757418136662]
  我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。 学習した摂動集合の質を定量的かつ質的に測定する。 我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
  論文  参考訳（メタデータ） (2020-07-16T16:39:54Z)
• Truncated Inference for Latent Variable Optimization Problems: Application to Robust Estimation and Learning [32.08441889054456]
  我々は、潜伏変数を維持する必要をなくすために、公式に正当化された2つの方法を提案する。 これらの手法は、大規模ロバストな推定やラベル付きデータからのエネルギーベースモデルの学習に応用できる。
  論文  参考訳（メタデータ） (2020-03-12T16:32:06Z)
• Learning with Differentiable Perturbed Optimizers [54.351317101356614]
  本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。 提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。 本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
  論文  参考訳（メタデータ） (2020-02-20T11:11:32Z)

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。