論文の概要: Transferable Candidate Proposal with Bounded Uncertainty

• arxiv url: http://arxiv.org/abs/2312.04604v1
• Date: Thu, 7 Dec 2023 08:47:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 17:43:17.024411
• Title: Transferable Candidate Proposal with Bounded Uncertainty
• Title（参考訳）: 有界不確実性を持つ転送可能候補の提案
• Authors: Kyeongryeol Go, Kye-Hyeon Kim
• Abstract要約: 我々は、転送可能なデータ候補を見つけるために、提案候補と呼ばれる新しい実験設計を導入する。 データ選択アルゴリズムが提案され、すなわち、境界不確実性(TBU)を用いた転送可能な候補の提案が提案される。 異なるモデル構成に移行すると、TBU一貫性は既存のアクティブな学習アルゴリズムのパフォーマンスを向上させる。
• 参考スコア（独自算出の注目度）: 1.8130068086063336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: From an empirical perspective, the subset chosen through active learning cannot guarantee an advantage over random sampling when transferred to another model. While it underscores the significance of verifying transferability, experimental design from previous works often neglected that the informativeness of a data subset can change over model configurations. To tackle this issue, we introduce a new experimental design, coined as Candidate Proposal, to find transferable data candidates from which active learning algorithms choose the informative subset. Correspondingly, a data selection algorithm is proposed, namely Transferable candidate proposal with Bounded Uncertainty (TBU), which constrains the pool of transferable data candidates by filtering out the presumably redundant data points based on uncertainty estimation. We verified the validity of TBU in image classification benchmarks, including CIFAR-10/100 and SVHN. When transferred to different model configurations, TBU consistency improves performance in existing active learning algorithms. Our code is available at https://github.com/gokyeongryeol/TBU.
• Abstract（参考訳）: 経験的観点では、アクティブラーニングによって選択されたサブセットは、他のモデルに転送された場合のランダムサンプリングよりも優位性を保証することはできない。 転送可能性の検証の重要性を強調する一方で、以前の研究による実験的な設計では、データサブセットのインフォメーション性がモデル構成よりも変更可能であることをしばしば無視していた。 この問題に対処するために、我々はCandidate Proposalと呼ばれる新しい実験設計を導入し、アクティブな学習アルゴリズムが情報サブセットを選択するトランスファー可能なデータ候補を見つける。 そして、不確実性推定に基づいて、おそらく冗長なデータポイントをフィルタリングすることにより、転送可能なデータ候補のプールを制限する、有界不確実性を持つ転送可能候補提案(tbu)を提案する。 CIFAR-10/100やSVHNなどの画像分類におけるTBUの有効性を検証した。 異なるモデル構成に移行すると、TBU一貫性は既存のアクティブ学習アルゴリズムのパフォーマンスを向上させる。 私たちのコードはhttps://github.com/gokyeongryeol/tbuで利用可能です。

関連論文リスト

• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Diverse Data Augmentation with Diffusions for Effective Test-time Prompt Tuning [73.75282761503581]
  DiffTPTを提案する。DiffTPTは,事前学習した拡散モデルを用いて,多種多様な情報データを生成する。 DiffTPTがゼロショット精度を平均5.13%向上することを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:36:31Z)
• Efficient Failure Pattern Identification of Predictive Algorithms [15.02620042972929]
  本稿では,人間のアノテータチームとシーケンシャルレコメンデーションアルゴリズムからなる人間機械協調フレームワークを提案する。 その結果、様々な信号対雑音比で複数のデータセット上でのフレームワークの競合性能を実証的に実証した。
  論文  参考訳（メタデータ） (2023-06-01T14:54:42Z)
• Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
  我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
  論文  参考訳（メタデータ） (2023-04-04T03:48:56Z)
• Rethinking Precision of Pseudo Label: Test-Time Adaptation via Complementary Learning [10.396596055773012]
  本稿では,テスト時間適応性を高めるための新しい補完学習手法を提案する。 テスト時適応タスクでは、ソースドメインからの情報は通常利用できない。 我々は,相補ラベルのリスク関数がバニラ損失式と一致することを強調した。
  論文  参考訳（メタデータ） (2023-01-15T03:36:33Z)
• Data Lifecycle Management in Evolving Input Distributions for Learning-based Aerospace Applications [23.84037777018747]
  本稿では,テスト入力のサブセットをラベルに選択することで,モデルを段階的に再学習するフレームワークを提案する。 本フレームワーク内のアルゴリズムは,(1)ミッション寿命を通してのモデル性能と(2)ラベル付けとモデル再訓練に関連する累積コストに基づいて評価される。
  論文  参考訳（メタデータ） (2022-09-14T18:15:56Z)
• Stream-based active learning with linear models [0.7734726150561089]
  生産において、製品情報を取得するためにランダム検査を行う代わりに、ラベルなしデータの情報内容を評価することによりラベルを収集する。 本稿では,ストリームベースのシナリオを学習者に順次提供するための新たな戦略を提案する。 未ラベルデータポイントの通知性にしきい値を設定することにより、意思決定プロセスの反復的な側面に取り組む。
  論文  参考訳（メタデータ） (2022-07-20T13:15:23Z)
• "Diversity and Uncertainty in Moderation" are the Key to Data Selection for Multilingual Few-shot Transfer [13.268758633770595]
  本稿では,アノテーションのためのデータ選択手法について検討する。 提案手法は,$n$-gram言語モデルを用いたデータエントロピー,予測エントロピー,勾配埋め込みなどの複数の尺度に依存する。 実験により、勾配と損失埋め込みに基づく戦略は、ランダムなデータ選択ベースラインを一貫して上回ることが示された。
  論文  参考訳（メタデータ） (2022-06-30T04:22:27Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Agree to Disagree: Diversity through Disagreement for Better Transferability [54.308327969778155]
  本稿では,D-BAT(Diversity-By-dis-Agreement Training)を提案する。 我々は、D-BATが一般化された相違の概念から自然に現れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T12:03:02Z)
• Online Active Model Selection for Pre-trained Classifiers [72.84853880948894]
  我々は,任意のラウンドにおいて高い確率で最良のモデルをラベル付けし,出力する情報的サンプルを積極的に選択するオンライン選択的サンプリング手法を設計する。 我々のアルゴリズムは、敵とストリームの両方のオンライン予測タスクに利用できる。
  論文  参考訳（メタデータ） (2020-10-19T19:53:15Z)

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。