論文の概要: Zero-shot Active Learning Using Self Supervised Learning

• arxiv url: http://arxiv.org/abs/2401.01690v1
• Date: Wed, 3 Jan 2024 11:49:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-04 14:25:44.080695
• Title: Zero-shot Active Learning Using Self Supervised Learning
• Title（参考訳）: 自己教師付き学習を用いたゼロショットアクティブラーニング
• Authors: Abhishek Sinha, Shreya Singh
• Abstract要約: 我々は,反復的なプロセスを必要としないモデル非依存の新たなアクティブラーニング手法を提案する。 アクティブラーニングの課題に自己指導型学習機能を活用することを目的としている。
• 参考スコア（独自算出の注目度）: 11.28415437676582
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning algorithms are often said to be data hungry. The performance of such algorithms generally improve as more and more annotated data is fed into the model. While collecting unlabelled data is easier (as they can be scraped easily from the internet), annotating them is a tedious and expensive task. Given a fixed budget available for data annotation, Active Learning helps selecting the best subset of data for annotation, such that the deep learning model when trained over that subset will have maximum generalization performance under this budget. In this work, we aim to propose a new Active Learning approach which is model agnostic as well as one doesn't require an iterative process. We aim to leverage self-supervised learnt features for the task of Active Learning. The benefit of self-supervised learning, is that one can get useful feature representation of the input data, without having any annotation.
• Abstract（参考訳）: ディープラーニングアルゴリズムは、しばしばデータ空腹だと言われている。 このようなアルゴリズムの性能は一般的に、より多くの注釈付きデータがモデルに入力されるにつれて向上する。 問題のないデータを集めるのは簡単ですが(インターネットから簡単に取り除けるので)、注釈をつけるのは面倒で高価な作業です。 データアノテーションのための固定された予算が与えられた場合、Active Learningは、アノテーションのためのデータの最高のサブセットを選択するのに役立ちます。 本研究では,反復的なプロセスを必要としないだけでなく,モデルに依存しない新しいアクティブラーニング手法を提案する。 我々は,アクティブラーニングのタスクに自己教師付き学習機能を活用することを目指している。 自己教師付き学習の利点は、アノテーションなしで、入力データの有用な特徴表現を得ることができることである。

関連論文リスト

• Model Uncertainty based Active Learning on Tabular Data using Boosted Trees [0.4667030429896303]
  監視された機械学習は、モデルトレーニングのための良質なラベル付きデータの可用性に依存している。 アクティブな学習は機械学習のサブフィールドであり、ラベル付きデータを効率的に取得するのに役立つ。
  論文  参考訳（メタデータ） (2023-10-30T14:29:53Z)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• Language models are weak learners [71.33837923104808]
  本研究では,プロンプトベースの大規模言語モデルは弱い学習者として効果的に動作可能であることを示す。 これらのモデルをブースティングアプローチに組み込むことで、モデル内の知識を活用して、従来のツリーベースのブースティングよりも優れています。 結果は、プロンプトベースのLLMが、少数の学習者だけでなく、より大きな機械学習パイプラインのコンポーネントとして機能する可能性を示している。
  論文  参考訳（メタデータ） (2023-06-25T02:39:19Z)
• Iterative Loop Learning Combining Self-Training and Active Learning for Domain Adaptive Semantic Segmentation [1.827510863075184]
  この問題を緩和するために、自己学習とアクティブラーニングが提案されている。 本稿では,自己学習とアクティブラーニングを組み合わせた反復ループ学習手法を提案する。
  論文  参考訳（メタデータ） (2023-01-31T01:31:43Z)
• Active Learning for Abstractive Text Summarization [50.79416783266641]
  本稿では,抽象テキスト要約におけるアクティブラーニングのための最初の効果的なクエリ戦略を提案する。 ALアノテーションにおける私たちの戦略は、ROUGEと一貫性スコアの点からモデル性能を向上させるのに役立ちます。
  論文  参考訳（メタデータ） (2023-01-09T10:33:14Z)
• Active Learning with Weak Supervision for Gaussian Processes [12.408125305560274]
  得られたアノテーションの精度を選択する能動的学習アルゴリズムを提案する。 アクティブな学習ループにおいて,アノテーションの精度を調整できることのメリットを実証的に示す。
  論文  参考訳（メタデータ） (2022-04-18T14:27:31Z)
• Optimizing Active Learning for Low Annotation Budgets [6.753808772846254]
  ディープラーニングでは、アクティブな学習は通常、微調整によって連続した深層モデルを更新する反復的なプロセスとして実装される。 移行学習にインスパイアされたアプローチを用いてこの問題に対処する。 本稿では,ALプロセスの反復性を利用してより堅牢なサンプルを抽出する新しい取得関数を提案する。
  論文  参考訳（メタデータ） (2022-01-18T18:53:10Z)
• One-Round Active Learning [13.25385227263705]
  1ラウンドのアクティブラーニングは、ラベル付け後の最高のユーティリティを達成するラベル付きデータポイントのサブセットを選択することを目的としている。 データユーティリティ関数の概念に基づく一括能動学習のための汎用フレームワークであるDULOを提案する。 以上の結果から,既存のアクティブな学習手法が複数ラウンドで成功する一方で,DULOは1ラウンドで常に優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2021-04-23T23:59:50Z)
• Low-Regret Active learning [64.36270166907788]
  トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。 私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
  論文  参考訳（メタデータ） (2021-04-06T22:53:45Z)
• Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
  本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-05T13:46:16Z)
• Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need? [72.00712736992618]
  メタトレーニングセット上で教師付きあるいは自己教師型表現を学習する単純なベースラインが、最先端の数ショット学習方法より優れていることを示す。 追加の増量は自己蒸留によって達成できる。 我々は,この発見が,画像分類ベンチマークとメタ学習アルゴリズムの役割を再考する動機となっていると考えている。
  論文  参考訳（メタデータ） (2020-03-25T17:58:42Z)

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。