論文の概要: Automated Machine Learning for Positive-Unlabelled Learning

• arxiv url: http://arxiv.org/abs/2401.06452v1
• Date: Fri, 12 Jan 2024 08:54:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 19:54:58.344074
• Title: Automated Machine Learning for Positive-Unlabelled Learning
• Title（参考訳）: ポジティブアンラベル学習のための自動機械学習
• Authors: Jack D. Saunders and Alex A. Freitas
• Abstract要約: Positive-Unlabelled (PU) 学習は機械学習の分野として成長している。 本稿では,新しい進化的/ベイズ的最適化アプローチをベースとしたBO-Auto-PUと,進化的/ベイズ的最適化アプローチに基づくEBO-Auto-PUという,PU学習のための2つの新しいAuto-MLシステムを提案する。 また,3つのAuto-MLシステムについて広範囲な評価を行い,それらを相互比較し,60個のデータセットにまたがるよく確立されたPU学習手法を提案する。
• 参考スコア（独自算出の注目度）: 1.450405446885067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Positive-Unlabelled (PU) learning is a growing field of machine learning that aims to learn classifiers from data consisting of labelled positive and unlabelled instances, which can be in reality positive or negative, but whose label is unknown. An extensive number of methods have been proposed to address PU learning over the last two decades, so many so that selecting an optimal method for a given PU learning task presents a challenge. Our previous work has addressed this by proposing GA-Auto-PU, the first Automated Machine Learning (Auto-ML) system for PU learning. In this work, we propose two new Auto-ML systems for PU learning: BO-Auto-PU, based on a Bayesian Optimisation approach, and EBO-Auto-PU, based on a novel evolutionary/Bayesian optimisation approach. We also present an extensive evaluation of the three Auto-ML systems, comparing them to each other and to well-established PU learning methods across 60 datasets (20 real-world datasets, each with 3 versions in terms of PU learning characteristics).
• Abstract（参考訳）: PU学習(Positive-Unlabelled Learning)は、ラベル付き正のインスタンスと負のインスタンスで構成されるデータから分類器を学習することを目的とした機械学習の分野である。 過去20年間にわたってPU学習に対処する様々な手法が提案されているため、あるPU学習タスクに最適な方法を選択することが課題となっている。 我々のこれまでの研究は、PU学習のための最初の自動機械学習(Auto-ML)システムであるGA-Auto-PUを提案している。 本研究では,2つの新しいPU学習システムであるBO-Auto-PUと,新しい進化的/ベイズ的最適化アプローチに基づくEBO-Auto-PUを提案する。 また,これら3つのAuto-MLシステムについて,互いに比較し,60のデータセット(実世界の20のデータセット,PU学習特性の3つのバージョン)にまたがるよく確立されたPU学習手法について,広範な評価を行った。

関連論文リスト

• Meta-learning for Positive-unlabeled Classification [40.11462237689747]
  提案手法は,モデルがPUデータに適用された後のテスト分類リスクを最小限に抑える。 この方法は各インスタンスをニューラルネットワークを使ってタスク固有の空間に埋め込む。 提案手法は1つの実世界のデータセットと3つの実世界のデータセットで既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-06T01:50:01Z)
• Contrastive Approach to Prior Free Positive Unlabeled Learning [15.269090018352875]
  本稿では,前文不変表現学習を通じて特徴空間を学習することから始まる,新しいPU学習フレームワークを提案する。 提案手法は,いくつかの標準PUベンチマークデータセットにおいて,最先端のPU学習手法より優れている。
  論文  参考訳（メタデータ） (2024-02-08T20:20:54Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
  本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。 自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
  論文  参考訳（メタデータ） (2022-07-27T07:46:23Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• An Extensive Experimental Evaluation of Automated Machine Learning Methods for Recommending Classification Algorithms (Extended Version) [4.400989370979334]
  これら3つの手法は進化的アルゴリズム(EA)に基づいており、もう1つはAuto-WEKAである。 我々は,これらの4つのAutoMLメソッドに,この制限の異なる値に対して,同じランタイム制限を付与する制御実験を行った。 一般に,3つの最良のAutoML手法の予測精度の差は統計的に有意ではなかった。
  論文  参考訳（メタデータ） (2020-09-16T02:36:43Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)
• Self-PU: Self Boosted and Calibrated Positive-Unlabeled Training [118.10946662410639]
  本稿では,PU学習と自己学習をシームレスに統合する,新しい自己学習フレームワークを提案する。 Self-PUは3つの"自己"指向のビルディングブロックを強調している。 本稿では,アルツハイマー病の脳画像の分類という,PU学習の現実的応用について検討する。
  論文  参考訳（メタデータ） (2020-06-22T17:53:59Z)
• PONE: A Novel Automatic Evaluation Metric for Open-Domain Generative Dialogue Systems [48.99561874529323]
  オープンドメイン生成対話システムの評価には3つの方法がある。 体系的な比較が欠如しているため、どの指標がより効果的であるかは明らかでない。 本稿では,人間の判断との相関性を大幅に改善できる,新しい,実現可能な学習基準を提案する。
  論文  参考訳（メタデータ） (2020-04-06T04:36:33Z)
• ARDA: Automatic Relational Data Augmentation for Machine Learning [23.570173866941612]
  本稿では,データセットとデータレポジトリを入力とし,拡張データセットを出力するエンド・ツー・エンドシステムを提案する。 本システムは,(1)入力の様々な属性に基づいて,入力データとデータを検索し結合するフレームワークと,(2)入力データからノイズや不適切な特徴を抽出する効率的な特徴選択アルゴリズムの2つの特徴を有する。
  論文  参考訳（メタデータ） (2020-03-21T21:55:22Z)

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。