論文の概要: Learning from the Best: Active Learning for Wireless Communications
- arxiv url: http://arxiv.org/abs/2402.04896v1
- Date: Tue, 23 Jan 2024 12:21:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-11 15:14:08.621515
- Title: Learning from the Best: Active Learning for Wireless Communications
- Title（参考訳）: ベストから学ぶ: 無線通信のためのアクティブラーニング
- Authors: Nasim Soltani, Jifan Zhang, Batool Salehi, Debashri Roy, Robert Nowak,
Kaushik Chowdhury
- Abstract要約: アクティブな学習アルゴリズムは、ラベル付けされていないデータセットの中で最も重要で情報に富んだサンプルを特定し、完全なデータセットではなく、これらのサンプルのみをラベル付けする。
本稿では, ディープラーニングに基づくmmWaveビーム選択のケーススタディとして, 包括探索に基づく計算集約アルゴリズムを用いてラベル付けを行う。
この結果から,クラス不均衡データセットに対するアクティブな学習アルゴリズムを用いることで,データセットのラベル付けオーバーヘッドを最大50%削減できることがわかった。
- 参考スコア（独自算出の注目度）: 9.523381807291049
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collecting an over-the-air wireless communications training dataset for deep
learning-based communication tasks is relatively simple. However, labeling the
dataset requires expert involvement and domain knowledge, may involve private
intellectual properties, and is often computationally and financially
expensive. Active learning is an emerging area of research in machine learning
that aims to reduce the labeling overhead without accuracy degradation. Active
learning algorithms identify the most critical and informative samples in an
unlabeled dataset and label only those samples, instead of the complete set. In
this paper, we introduce active learning for deep learning applications in
wireless communications, and present its different categories. We present a
case study of deep learning-based mmWave beam selection, where labeling is
performed by a compute-intensive algorithm based on exhaustive search. We
evaluate the performance of different active learning algorithms on a publicly
available multi-modal dataset with different modalities including image and
LiDAR. Our results show that using an active learning algorithm for
class-imbalanced datasets can reduce labeling overhead by up to 50% for this
dataset while maintaining the same accuracy as classical training.
- Abstract（参考訳）: 深層学習に基づくコミュニケーションタスクのための無線通信訓練データセットの収集は比較的簡単である。
しかし、データセットのラベル付けには専門家の関与とドメイン知識が必要であり、プライベートな知的財産が関与する可能性がある。
アクティブ・ラーニング(Active Learning)は、精度を低下させることなくラベル付けオーバーヘッドを減らすことを目的とした機械学習の研究分野である。
アクティブラーニングアルゴリズムは、ラベルのないデータセットで最も重要で有益なサンプルを識別し、完全なセットではなく、それらのサンプルのみにラベル付けする。
本稿では,無線通信におけるディープラーニング応用のための能動的学習について紹介し,そのカテゴリについて述べる。
本稿では,計算集約型探索アルゴリズムを用いてラベリングを行う,深層学習に基づくmmwaveビーム選択のケーススタディを提案する。
本研究では,画像やlidarなどさまざまなモダリティを持つマルチモーダルデータセット上での,さまざまなアクティブラーニングアルゴリズムの性能評価を行う。
この結果から,クラス不均衡データセットに対する能動的学習アルゴリズムを用いることで,古典的トレーニングと同じ精度を維持しつつ,データセットのラベル付けオーバーヘッドを最大50%削減できることがわかった。
関連論文リスト
- Continual Learning for Multimodal Data Fusion of a Soft Gripper [1.0589208420411014]
あるデータモダリティに基づいてトレーニングされたモデルは、異なるモダリティでテストした場合、しばしば失敗する。
異なるデータモダリティを漸進的に学習できる連続学習アルゴリズムを提案する。
我々は、アルゴリズムの有効性を、挑戦的なカスタムマルチモーダルデータセット上で評価する。
論文 参考訳（メタデータ） (2024-09-20T09:53:27Z) - Algorithm Selection for Deep Active Learning with Imbalanced Datasets [11.902019233549474]
アクティブな学習は、ディープネットワークのトレーニングに必要なラベル付きサンプルの数を減らすことを目的としている。
アクティブな学習戦略が与えられたアプリケーションでうまく機能するか、どれが最善であるかを事前に知るのは難しい。
深層能動学習のための適応型アルゴリズム選択手法を提案する。
論文 参考訳（メタデータ） (2023-02-14T19:59:49Z) - Semantic Segmentation with Active Semi-Supervised Representation
Learning [23.79742108127707]
我々はラベル付きデータよりもはるかに少ない効果的なセマンティックセグメンテーションアルゴリズムを訓練する。
半教師あり学習のための平均教師アプローチを自己学習アプローチに置き換えることで、従来のS4ALアルゴリズムを拡張した。
セマンティックセグメンテーションのためのアクティブラーニングのためのデファクト標準であるCamVidおよびCityScapesデータセットについて,本手法の評価を行った。
論文 参考訳（メタデータ） (2022-10-16T00:21:43Z) - Is margin all you need? An extensive empirical study of active learning
on tabular data [66.18464006872345]
我々は,OpenML-CC18ベンチマークを用いて,69の実世界のデータセット上での各種能動学習アルゴリズムの性能を解析した。
意外なことに、古典的なマージンサンプリング技術は、現在の最先端技術を含む、他のすべてのものよりも優れている。
論文 参考訳（メタデータ） (2022-10-07T21:18:24Z) - 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) - Exploiting Diversity of Unlabeled Data for Label-Efficient
Semi-Supervised Active Learning [57.436224561482966]
アクティブラーニング(英: Active Learning)は、ラベリングのための最も重要なサンプルを選択することで、高価なラベリングの問題に対処する研究分野である。
アクティブな学習環境における初期ラベル付けのための最も情報性の高いサンプル群を選択するために,多様性に基づく新しい初期データセット選択アルゴリズムを提案する。
また、一貫性に基づく埋め込みの多様性に基づくサンプリングを用いた、新しいアクティブな学習クエリ戦略を提案する。
論文 参考訳（メタデータ） (2022-07-25T16:11:55Z) - Dominant Set-based Active Learning for Text Classification and its
Application to Online Social Media [0.0]
本稿では,最小限のアノテーションコストで大規模未ラベルコーパスのトレーニングを行うための,プールベースのアクティブラーニング手法を提案する。
提案手法には調整すべきパラメータが一切ないため,データセットに依存しない。
本手法は,最先端のアクティブラーニング戦略と比較して高い性能を実現する。
論文 参考訳（メタデータ） (2022-01-28T19:19:03Z) - Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
データセットバイアスは、機械学習における不公平な原因の1つです。
不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。
また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
論文 参考訳（メタデータ） (2021-04-14T14:20:22Z) - dMelodies: A Music Dataset for Disentanglement Learning [70.90415511736089]
我々は、研究者が様々な領域でアルゴリズムの有効性を実証するのに役立つ新しいシンボリック・ミュージック・データセットを提案する。
これはまた、音楽用に特別に設計されたアルゴリズムを評価する手段を提供する。
データセットは、遠絡学習のためのディープネットワークのトレーニングとテストに十分な大きさ(約13万データポイント)である。
論文 参考訳（メタデータ） (2020-07-29T19:20:07Z) - Similarity Search for Efficient Active Learning and Search of Rare
Concepts [78.5475382904847]
我々は,現在ラベル付けされている集合の近傍にラベル付けする候補プールを制限することにより,能動的学習と探索法の計算効率を向上する。
提案手法は,従来のグローバルアプローチと同じような平均精度とリコールを実現し,選択の計算コストを最大3桁まで削減し,Webスケールのアクティブラーニングを可能にした。
論文 参考訳（メタデータ） (2020-06-30T19:46:10Z) - A Comprehensive Benchmark Framework for Active Learning Methods in
Entity Matching [17.064993611446898]
本稿では,EMのための統合型アクティブラーニングベンチマークフレームワークを構築する。
このフレームワークの目的は、積極的学習の組み合わせがEMにどのような効果をもたらすかについて、実践者のための具体的なガイドラインを可能にすることである。
また、F1スコアの観点から学習モデルの品質を約9%向上し、モデルの品質に影響を与えることなく、サンプル選択のレイテンシを最大10倍削減する新しい最適化も含んでいる。
論文 参考訳（メタデータ） (2020-03-29T19:08:03Z)
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。