論文の概要: Theoretical Analysis of Submodular Information Measures for Targeted Data Subset Selection

• arxiv url: http://arxiv.org/abs/2402.13454v2
• Date: Tue, 11 Jun 2024 23:15:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-13 22:44:06.907648
• Title: Theoretical Analysis of Submodular Information Measures for Targeted Data Subset Selection
• Title（参考訳）: ターゲットデータサブセット選択のためのサブモジュール情報対策の理論解析
• Authors: Nathan Beck, Truong Pham, Rishabh Iyer,
• Abstract要約: サブモジュール・ミューチュアル・インフォメーション(SMI)は、文学における複数のタスクにまたがって適用され、ターゲットとするサブセット選択を行う。 我々は、サブセットの関連性や対象データのカバレッジに対する感度の観点から、SMIの理論的保証を提供する。 複数のアプリケーションで実証的に成功を収めたSMI関数は、理論的には、クエリ関連性およびクエリカバレッジが良好であることを示す。
• 参考スコア（独自算出の注目度）: 1.9116784879310025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With increasing volume of data being used across machine learning tasks, the capability to target specific subsets of data becomes more important. To aid in this capability, the recently proposed Submodular Mutual Information (SMI) has been effectively applied across numerous tasks in literature to perform targeted subset selection with the aid of a exemplar query set. However, all such works are deficient in providing theoretical guarantees for SMI in terms of its sensitivity to a subset's relevance and coverage of the targeted data. For the first time, we provide such guarantees by deriving similarity-based bounds on quantities related to relevance and coverage of the targeted data. With these bounds, we show that the SMI functions, which have empirically shown success in multiple applications, are theoretically sound in achieving good query relevance and query coverage.
• Abstract（参考訳）: 機械学習タスク全体で使用されているデータの量が増えると、データの特定のサブセットをターゲットする能力がより重要になる。 この機能を実現するために、最近提案されたsubmodular Mutual Information (SMI) は、文献の様々なタスクに効果的に適用され、典型的なクエリセットの助けを借りてターゲットサブセットの選択を行う。 しかし、これらすべての研究は、サブセットの関連性や対象データのカバレッジに対する感度の観点から、SMIの理論的保証を提供するには不十分である。 対象データの関連性やカバレッジに関連する量に関する類似性に基づく境界を導出することで,このような保証を初めて提供する。 これらの境界により、複数のアプリケーションで経験的に成功したSMI関数は、理論的には、クエリ関連性およびクエリカバレッジが良好であることを示す。

関連論文リスト

• An Ensemble Scheme for Proactive Dominant Data Migration of Pervasive Tasks at the Edge [5.4327243200369555]
  本稿では,インフラ内の特定の場所に移動すべき適切なデータの識別について,自律エッジノードで実装する手法を提案する。 我々の目標は、オフロードされたデータ駆動タスクに関連するアクセスパターンを理解できるようにノードに装備することである。 これらのタスクは、元のホスティングノードにないデータの処理に依存することは明らかである。 これらのデータ間隔を推定するために,統計的指向モデルと機械学習フレームワークを統合したアンサンブルアプローチを用いる。
  論文  参考訳（メタデータ） (2024-10-12T19:09:16Z)
• LiSD: An Efficient Multi-Task Learning Framework for LiDAR Segmentation and Detection [6.813145466843275]
  LiSDはボクセルベースのエンコーダデコーダフレームワークで、セグメンテーションと検出の両方のタスクに対処する。 これは、ライダーのみの手法のnuScenesセグメンテーションベンチマークにおいて、83.3% mIoUの最先端性能を達成する。
  論文  参考訳（メタデータ） (2024-06-11T07:26:54Z)
• Distribution Matching for Multi-Task Learning of Classification Tasks: a Large-Scale Study on Faces & Beyond [62.406687088097605]
  マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。 MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。 本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-02T14:18:11Z)
• RethinkingTMSC: An Empirical Study for Target-Oriented Multimodal Sentiment Classification [70.9087014537896]
  目的指向型マルチモーダル感性分類(TMSC)は,学者の間でも注目されている。 この問題の原因を明らかにするために,データセットの広範な実験的評価と詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-10-14T14:52:37Z)
• Factorized Contrastive Learning: Going Beyond Multi-view Redundancy [116.25342513407173]
  本稿では,マルチビュー冗長性を超えた新しいマルチモーダル表現学習法であるFacterCLを提案する。 大規模な実世界のデータセットでは、FacterCLは共有情報とユニークな情報の両方をキャプチャし、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-06-08T15:17:04Z)
• METAM: Goal-Oriented Data Discovery [9.73435089036831]
  METAMは目標指向のフレームワークで、下流タスクを候補データセットでクエリし、フィードバックループを形成して、発見と拡張プロセスを自動的に管理する。 我々はMETAMの理論的保証を示し、それらを幅広いタスクセットで実証的に示す。
  論文  参考訳（メタデータ） (2023-04-18T15:42:25Z)
• Semi-supervised Multi-task Learning for Semantics and Depth [88.77716991603252]
  MTL(Multi-Task Learning)は、関連するタスク間で表現を共有することで、モデル一般化を強化することを目的としている。 そこで本研究では,異なるデータセットから利用可能な監視信号を活用するために,半教師付きマルチタスク学習(MTL)手法を提案する。 本稿では,データセット間の整合性の問題を軽減するために,様々なアライメントの定式化を施したドメイン認識識別器構造を提案する。
  論文  参考訳（メタデータ） (2021-10-14T07:43:39Z)
• S$^3$VAADA: Submodular Subset Selection for Virtual Adversarial Active Domain Adaptation [49.01925978752677]
  現実のシナリオでは、少数のターゲットデータに対してラベルを取得することは可能かもしれません。 我々は,S$3$VAADAを提案する。これは,ラベルに対する最大情報サブセットを選択するための,新しいサブモジュール基準を導入し,また,クラスタベースのDA手順を強化する。 我々のアプローチは、ドメインシフトの度合いの異なるデータセットにおいて、競合する最先端のアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2021-09-18T10:53:57Z)
• Submodular Mutual Information for Targeted Data Subset Selection [11.32091409932449]
  対象とするデータサブセットの選択は,追加のラベリングコストで効果的に解決できることを示す。 CIFAR-10およびMNISTデータセットにおける画像分類の有効性を示す。 SMI関数を用いて、ターゲットサブセットを追加して再トレーニングする前に、モデルの性能を20～30%向上させ、他の手法よりも12%向上する。
  論文  参考訳（メタデータ） (2021-04-30T18:53:09Z)
• PRISM: A Unified Framework of Parameterized Submodular Information Measures for Targeted Data Subset Selection and Summarization [11.32091409932449]
  我々はprism(modized subular information measure のリッチクラス)を提案する。 PRISMは、ターゲットとするサブセットが望まれるアプリケーションで使用できる。 PRISM-TSSは,対象の要約に関する過去の作業の一般化と統一を図っている。 最先端のPRISM-TSSとPRISM-TSUMの優位性を実証的に検証します。
  論文  参考訳（メタデータ） (2021-02-27T04:53:47Z)
• Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
  我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。 提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。 シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
  論文  参考訳（メタデータ） (2020-10-06T16:51:09Z)

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。