Fugu-MT 論文翻訳(概要): Effective Acquisition Functions for Active Correlation Clustering

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

Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
論文参考訳（メタデータ） (2023-10-13T07:40:12Z)
Correlation Clustering with Active Learning of Pairwise Similarities [3.86170450233149]
相関クラスタリングは、正と負のペアの類似性を扱う、よく知られた教師なしの学習環境である。本稿では, ペアの類似性が事前に与えられておらず, コスト効率のよいクエリを行なわなければならない場合について検討する。このタスクのための汎用的なアクティブラーニングフレームワークを開発し、いくつかの利点の恩恵を受けている。
論文参考訳（メタデータ） (2023-02-20T20:39:07Z)
Active Learning of Ordinal Embeddings: A User Study on Football Data [4.856635699699126]
人間は本来、未知の類似性関数を使用してラベル付けされていないデータセットのインスタンス間の距離を計測する。この研究はディープ・メトリック・ラーニングを使用して、大規模なフットボールの軌跡データセットのアノテーションからユーザ定義の類似性関数を学習する。
論文参考訳（メタデータ） (2022-07-26T07:55:23Z)
Query-augmented Active Metric Learning [3.871148938060281]
本稿では,対制約付きクラスタリングのためのアクティブなメトリック学習手法を提案する。メトリクスを学習する際の追加情報を提供するために、よりペアワイズなラベルを生成することで、クエリ制約を増大させます。我々は、学習したメトリックを逐次更新し、無関係な特徴を適応的に罰することで、メトリクス学習の堅牢性を高める。
論文参考訳（メタデータ） (2021-11-08T23:32:13Z)
Comparing Cross Correlation-Based Similarities [1.0152838128195467]
実数値化されたマルチセットジャカードと偶然の指標に基づくマルチセットベースの相関関係を比較した。結果は、パターン認識や深層学習だけでなく、一般的な科学的モデリングにも直接的な意味を持つ。
論文参考訳（メタデータ） (2021-11-08T08:50:13Z)
ACP++: Action Co-occurrence Priors for Human-Object Interaction Detection [102.9428507180728]
ヒューマン・オブジェクト・インタラクション(HOI)検出のタスクにおける一般的な問題は、多数のHOIクラスが少数のラベル付き例しか持たないことである。我々は、人間と物体の相互作用の間に自然の相関関係と反相関が存在することを観察した。我々は、これらの先行知識を学習し、特に稀なクラスにおいて、より効果的な訓練に活用する手法を提案する。
論文参考訳（メタデータ） (2021-09-09T06:02:50Z)
PAIR: Leveraging Passage-Centric Similarity Relation for Improving Dense Passage Retrieval [87.68667887072324]
本稿では,クエリ中心とPAssage中心のsmilarity Relations(PAIR)を併用した新しい手法を提案する。本稿では,2種類の類似性関係の形式的定式化を導入することにより,3つの主要な技術的貢献を行う。 MSMARCOとNatural Questionsの両方のデータセットにおいて、従来の最先端モデルよりも大幅に優れています。
論文参考訳（メタデータ） (2021-08-13T02:07:43Z)
ReSSL: Relational Self-Supervised Learning with Weak Augmentation [68.47096022526927]
自己教師付き学習は、データアノテーションなしで視覚表現を学ぶことに成功しました。本稿では,異なるインスタンス間の関係をモデル化して表現を学習する新しいリレーショナルSSLパラダイムを提案する。提案したReSSLは,性能とトレーニング効率の両面で,従来の最先端アルゴリズムよりも大幅に優れています。
論文参考訳（メタデータ） (2021-07-20T06:53:07Z)
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)
Memory-Augmented Relation Network for Few-Shot Learning [114.47866281436829]
本研究では,新しい距離学習手法であるメモリ拡張リレーショナルネットワーク(MRN)について検討する。 MRNでは、作業状況と視覚的に類似したサンプルを選択し、重み付け情報伝搬を行い、選択したサンプルから有用な情報を注意深く集約し、その表現を強化する。我々は、MRNが祖先よりも大幅に向上し、他の数発の学習手法と比較して、競争力や性能が向上することを示した。
論文参考訳（メタデータ） (2020-05-09T10:09:13Z)
Active Learning for Coreference Resolution using Discrete Annotation [76.36423696634584]
我々は、コア参照解決におけるアクティブラーニングのためのペアワイズアノテーションを改善した。提案された参照ペアがコアフェレントでないと判断された場合、アノテータに参照アンテセントを識別するよう依頼する。既存のベンチマークコアベンチマークデータセットを用いた実験では、この追加質問からの信号が人間のアノテーション時間当たりの大幅なパフォーマンス向上につながることが示された。
論文参考訳（メタデータ） (2020-04-28T17:17:11Z)

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。