論文の概要: Effective Acquisition Functions for Active Correlation Clustering
- arxiv url: http://arxiv.org/abs/2402.03587v1
- Date: Mon, 5 Feb 2024 23:33:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 17:22:38.596693
- Title: Effective Acquisition Functions for Active Correlation Clustering
- Title(参考訳): アクティブ相関クラスタリングのための効果的な獲得関数
- Authors: Linus Aronsson, Morteza Haghir Chehreghani
- Abstract要約: 相関クラスタリングは、正と負の類似性をサポートする強力な教師なし学習パラダイムである。
コスト効率のよい方法で類似性を反復的にクエリするために、アクティブラーニングを採用しています。
- 参考スコア(独自算出の注目度): 3.86170450233149
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Correlation clustering is a powerful unsupervised learning paradigm that
supports positive and negative similarities. In this paper, we assume the
similarities are not known in advance. Instead, we employ active learning to
iteratively query similarities in a cost-efficient way. In particular, we
develop three effective acquisition functions to be used in this setting. One
is based on the notion of inconsistency (i.e., when similarities violate the
transitive property). The remaining two are based on information-theoretic
quantities, i.e., entropy and information gain.
- Abstract(参考訳): 相関クラスタリングは、正と負の類似性をサポートする強力な教師なし学習パラダイムである。
本稿では,その類似性が事前に分かっていないことを仮定する。
代わりに私たちは、コスト効率のよい方法で類似性を反復的にクエリするために、アクティブな学習を採用しています。
特に,この設定で使用する3つの効果的な獲得関数を開発する。
1つは矛盾の概念に基づいている(すなわち類似性が推移性に違反する場合)。
残りの2つは情報理論量、すなわちエントロピーと情報ゲインに基づいている。
関連論文リスト
- Relational Sentence Embedding for Flexible Semantic Matching [86.21393054423355]
文埋め込みの可能性を明らかにするための新しいパラダイムとして,文埋め込み(Sentence Embedding, RSE)を提案する。
RSEは文関係のモデル化に有効で柔軟性があり、一連の最先端の埋め込み手法より優れている。
論文 参考訳(メタデータ) (2022-12-17T05:25:17Z) - A Revenue Function for Comparison-Based Hierarchical Clustering [5.683072566711975]
比較のみを用いて,デンドログラムの良さを測定できる新たな収益関数を提案する。
この関数は、ペアの類似性を用いた階層的クラスタリングにおけるDasguptaのコストと密接に関連していることを示す。
理論的には,提案した収益関数を用いて,三重項比較の少ない潜在階層をおよそ復元できるかどうかというオープンな問題を解く。
論文 参考訳(メタデータ) (2022-11-29T18:40:02Z) - Comparing Apples to Oranges: Learning Similarity Functions for Data
Produced by Different Distributions [6.906621279967866]
我々はこれらのグループ間の類似性関数を学習する効率的なサンプリングフレームワークを提案する。
厳密な理論的境界を持つ解析結果を示し、我々のアルゴリズムを実証的に検証する。
論文 参考訳(メタデータ) (2022-08-26T15:38:05Z) - Similarity Contrastive Estimation for Self-Supervised Soft Contrastive
Learning [0.41998444721319206]
優れたデータ表現は、インスタンス間の関係、つまり意味的類似性を含んでいる、と我々は主張する。
類似性コントラスト推定(SCE)と呼ばれるインスタンス間の意味的類似性を用いたコントラスト学習の新しい定式化を提案する。
我々の訓練対象はソフトコントラスト学習と見なすことができる。
論文 参考訳(メタデータ) (2021-11-29T15:19:15Z) - Mind Your Outliers! Investigating the Negative Impact of Outliers on
Active Learning for Visual Question Answering [71.15403434929915]
視覚的質問応答のタスクにおいて、5つのモデルと4つのデータセットにまたがって、多種多様な能動的学習アプローチがランダム選択を上回りません。
アクティブな学習手法が好まれるが、モデルは学習に失敗する例の集まりである。
本研究では,アクティブ学習プールにおける集団外乱の減少に伴い,アクティブ学習サンプル効率が著しく向上することを示す。
論文 参考訳(メタデータ) (2021-07-06T00:52:11Z) - Solving Inefficiency of Self-supervised Representation Learning [87.30876679780532]
既存のコントラスト学習法は、非常に低い学習効率に苦しむ。
アンダークラスタリングとオーバークラスタリングの問題は、学習効率の大きな障害である。
中央三重項損失を用いた新しい自己監督学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-18T07:47:10Z) - Learning to Decouple Relations: Few-Shot Relation Classification with
Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。
一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。
一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
論文 参考訳(メタデータ) (2020-10-21T11:07:53Z) - Near-Optimal Comparison Based Clustering [7.930242839366938]
提案手法は, ほぼ最適な比較数を用いて, 植え付けクラスタリングを復元できることを示す。
理論的知見を実証的に検証し,実データ上での手法の良好な振る舞いを実証する。
論文 参考訳(メタデータ) (2020-10-08T12:03:13Z) - Pairwise Supervision Can Provably Elicit a Decision Boundary [84.58020117487898]
類似性学習は、パターンのペア間の関係を予測することによって有用な表現を引き出す問題である。
類似性学習は、決定境界を直接引き出すことによって二項分類を解くことができることを示す。
論文 参考訳(メタデータ) (2020-06-11T05:35:16Z) - Batch Decorrelation for Active Metric Learning [21.99577268213412]
本稿では,三重項に基づく類似度評価を行い,距離指標のパラメトリックモデルを学習するためのアクティブな学習戦略を提案する。
クラスベースの学習における先行研究とは対照的に、オブジェクト間の(異なる)相似性のエム度を表現するエムメトリクスに焦点を当てる。
論文 参考訳(メタデータ) (2020-05-20T12:47:48Z) - Learning from Aggregate Observations [82.44304647051243]
本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。
本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。
単純な極大解は様々な微分可能なモデルに適用できる。
論文 参考訳(メタデータ) (2020-04-14T06:18:50Z)
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。