論文の概要: Modeling of learning curves with applications to pos tagging
- arxiv url: http://arxiv.org/abs/2402.02515v1
- Date: Sun, 4 Feb 2024 15:00:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 19:12:47.523097
- Title: Modeling of learning curves with applications to pos tagging
- Title（参考訳）: posタグ付けへの応用による学習曲線のモデル化
- Authors: Manuel Vilares Ferro, Victor M. Darriba Bilbao, Francisco J. Ribadas
Pena
- Abstract要約: トレーニングベース全体の学習曲線の進化を推定するアルゴリズムを導入する。
学習手法とは無関係に,所望のタイミングで探索値を反復的に近似する。
本提案は, 作業仮説に関して正式に正しいことを証明し, 信頼性の高い近接条件を含む。
- 参考スコア（独自算出の注目度）: 0.27624021966289597
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: An algorithm to estimate the evolution of learning curves on the whole of a
training data base, based on the results obtained from a portion and using a
functional strategy, is introduced. We approximate iteratively the sought value
at the desired time, independently of the learning technique used and once a
point in the process, called prediction level, has been passed. The proposal
proves to be formally correct with respect to our working hypotheses and
includes a reliable proximity condition. This allows the user to fix a
convergence threshold with respect to the accuracy finally achievable, which
extends the concept of stopping criterion and seems to be effective even in the
presence of distorting observations.
Our aim is to evaluate the training effort, supporting decision making in
order to reduce the need for both human and computational resources during the
learning process. The proposal is of interest in at least three operational
procedures. The first is the anticipation of accuracy gain, with the purpose of
measuring how much work is needed to achieve a certain degree of performance.
The second relates the comparison of efficiency between systems at training
time, with the objective of completing this task only for the one that best
suits our requirements. The prediction of accuracy is also a valuable item of
information for customizing systems, since we can estimate in advance the
impact of settings on both the performance and the development costs. Using the
generation of part-of-speech taggers as an example application, the
experimental results are consistent with our expectations.
- Abstract（参考訳）: トレーニングベース全体の学習曲線の進化を、部分から得られた結果に基づいて推定し、機能戦略を用いて推定するアルゴリズムを提案する。
我々は、使用した学習技術とは独立して、所要時間における探索値を反復的に近似し、一度プロセスのポイントである予測レベルが通過した。
本提案は, 作業仮説に関して正式に正しいことを証明し, 信頼性の高い近接条件を含む。
これにより、ユーザは最後に達成可能な精度に関して収束しきい値を修正することができる。これにより、停止基準の概念が拡張され、歪んだ観測が存在する場合でも有効であるように見える。
本研究の目的は,学習過程における人的・計算的資源の必要性を軽減するため,トレーニングの取り組みを評価し,意思決定を支援することである。
この提案は少なくとも3つの運用手順に関心がある。
ひとつは精度向上の予測であり、ある程度の性能を達成するのに必要な作業量を測定することを目的としている。
2つ目は、トレーニング時間におけるシステム間の効率の比較と、このタスクを完了するための目的は、我々の要求に最も適合するもののみである。
精度の予測は、性能と開発コストの両方に対する設定の影響を事前に見積もることができるので、システムをカスタマイズするための貴重な情報でもある。
サンプルアプリケーションとしてpart-of-speech taggersの生成を使用することで,実験結果と期待値が一致した。
関連論文リスト
- Adaptive Rentention & Correction for Continual Learning [114.5656325514408]
連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。
アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。
ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
論文 参考訳（メタデータ） (2024-05-23T08:43:09Z) - Rethinking Resource Management in Edge Learning: A Joint Pre-training and Fine-tuning Design Paradigm [87.47506806135746]
一部のアプリケーションでは、エッジラーニングは、スクラッチから新しい2段階ラーニングへと焦点を移している。
本稿では,2段階のエッジ学習システムにおける共同コミュニケーションと計算資源管理の問題について考察する。
事前学習および微調整段階に対する共同資源管理の提案は,システム性能のトレードオフをうまくバランスさせることが示されている。
論文 参考訳（メタデータ） (2024-04-01T00:21:11Z) - Adaptive scheduling for adaptive sampling in POS taggers construction [0.27624021966289597]
音声タグ作成における機械学習の新たな手法として適応的サンプリングのための適応的スケジューリングを提案する。
本研究では,関数モデルとともに幾何学的に学習曲線の形状を分析し,任意のタイミングで学習曲線を増減する。
また,評価の一時的なインフレーションを受けるトレーニングデータベースの領域に注意を払い,サンプリングの堅牢性も向上する。
論文 参考訳（メタデータ） (2024-02-04T15:02:17Z) - Resilient Constrained Learning [94.27081585149836]
本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。
我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
論文 参考訳（メタデータ） (2023-06-04T18:14:18Z) - Prompt-based Pre-trained Model for Personality and Interpersonal
Reactivity Prediction [19.288384399961867]
本稿では、LingJingチームによる主観性・感性・ソーシャルメディア分析に関するワークショップ(WASSA)2022におけるパーソナリティ予測(PER)と反応性指標予測(IRI)の共有タスクについて述べる。
論文 参考訳（メタデータ） (2022-03-23T15:22:34Z) - Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。
学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。
提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
論文 参考訳（メタデータ） (2021-11-11T23:31:34Z) - SIMPLE: SIngle-network with Mimicking and Point Learning for Bottom-up
Human Pose Estimation [81.03485688525133]
Single-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation (SIMPLE) を提案する。
具体的には、トレーニングプロセスにおいて、SIMPLEが高性能なトップダウンパイプラインからのポーズ知識を模倣できるようにする。
さらに、SIMPLEは人間検出とポーズ推定を統一的なポイントラーニングフレームワークとして定式化し、単一ネットワークで相互に補完する。
論文 参考訳（メタデータ） (2021-04-06T13:12:51Z) - Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。
本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
論文 参考訳（メタデータ） (2020-11-16T06:51:55Z) - Universal Value Density Estimation for Imitation Learning and
Goal-Conditioned Reinforcement Learning [5.406386303264086]
いずれの場合も、効果的な解法は、エージェントが指定された状態に確実に到達する必要がある。
この研究は、密度推定の最近の進歩を利用して、与えられた状態に到達することを効果的に学習するアプローチを導入する。
最初のコントリビューションとして、この手法を目標条件付き強化学習に使用し、それが効率的であり、ドメインの後方偏見に支障を来さないことを示す。
第2のコントリビューションとして、模倣学習へのアプローチを拡張し、標準的なベンチマークタスクにおける最先端のサンプル効率を実現することを示す。
論文 参考訳（メタデータ） (2020-02-15T23:46:29Z)
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。