論文の概要: Deep Active Learning: A Reality Check

• arxiv url: http://arxiv.org/abs/2403.14800v1
• Date: Thu, 21 Mar 2024 19:28:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 19:16:32.957217
• Title: Deep Active Learning: A Reality Check
• Title（参考訳）: Deep Active Learning: 現実的なチェック
• Authors: Edrina Gashi, Jiankang Deng, Ismail Elezi,
• Abstract要約: 単一モデル法はエントロピーに基づくアクティブラーニングを決定的に上回るものではない。 評価を他のタスクに拡張し、半教師付き学習と組み合わせて能動的学習の有効性を探求する。
• 参考スコア（独自算出の注目度）: 30.19086526296748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We conduct a comprehensive evaluation of state-of-the-art deep active learning methods. Surprisingly, under general settings, no single-model method decisively outperforms entropy-based active learning, and some even fall short of random sampling. We delve into overlooked aspects like starting budget, budget step, and pretraining's impact, revealing their significance in achieving superior results. Additionally, we extend our evaluation to other tasks, exploring the active learning effectiveness in combination with semi-supervised learning, and object detection. Our experiments provide valuable insights and concrete recommendations for future active learning studies. By uncovering the limitations of current methods and understanding the impact of different experimental settings, we aim to inspire more efficient training of deep learning models in real-world scenarios with limited annotation budgets. This work contributes to advancing active learning's efficacy in deep learning and empowers researchers to make informed decisions when applying active learning to their tasks.
• Abstract（参考訳）: 我々は最先端の深層学習手法の総合的な評価を行う。 驚くべきことに、一般的な設定下では、単一モデル法はエントロピーに基づくアクティブラーニングを決定的に上回り、ランダムサンプリングに不足するものもある。 予算の開始、予算のステップ、プレトレーニングの影響など、見落とされがちな側面を掘り下げ、優れた結果を達成する上での彼らの重要性を明らかにします。 さらに,評価を他のタスクに拡張し,半教師付き学習とオブジェクト検出を組み合わせた能動的学習の有効性を探究する。 本実験は,今後のアクティブラーニング研究に有用な洞察と具体的な勧告を提供する。 現在の手法の限界を明らかにし、異なる実験環境の影響を理解することで、アノテーション予算の制限のある現実シナリオにおけるディープラーニングモデルのより効率的なトレーニングを刺激することを目指している。 この研究は、深層学習におけるアクティブラーニングの有効性の向上に寄与し、アクティブラーニングをタスクに適用する際、研究者にインフォームド・ディベロップメントを行う権限を与える。

関連論文リスト

• Unveiling the Role of Expert Guidance: A Comparative Analysis of User-centered Imitation Learning and Traditional Reinforcement Learning [0.0]
  本研究では,従来の強化学習法と比較して,模倣学習の性能,堅牢性,限界について検討する。 この研究から得られた洞察は、人間中心の人工知能の進歩に寄与する。
  論文  参考訳（メタデータ） (2024-10-28T18:07:44Z)
• Meta-Learning Neural Procedural Biases [9.876317838854018]
  我々は、メタ学習タスクの手続きバイアスを考慮に入れた新しいフレームワークであるNeural Procedural Bias Meta-Learningを提案する。 ニューラルネットワークの手続き的バイアスをメタラーニングすることにより、学習タスクの分布に対して強い帰納的バイアスを生じさせ、よく確立された数発の学習ベンチマークで堅牢な学習性能を実現することができることを示す。
  論文  参考訳（メタデータ） (2024-06-12T08:09:29Z)
• Discovering Temporally-Aware Reinforcement Learning Algorithms [42.016150906831776]
  既存の2つの目的発見アプローチに簡単な拡張を提案する。 一般的に使用されるメタ段階的アプローチは適応的目的関数の発見に失敗する。
  論文  参考訳（メタデータ） (2024-02-08T17:07:42Z)
• Advancing Deep Active Learning & Data Subset Selection: Unifying Principles with Information-Theory Intuitions [3.0539022029583953]
  本論文は,ディープラーニングモデルのラベルとトレーニング効率を向上させることにより,ディープラーニングの実践性を高めることを目的とする。 本稿では,情報理論の原理に基づくデータサブセット選択手法,特にアクティブラーニングとアクティブサンプリングについて検討する。
  論文  参考訳（メタデータ） (2024-01-09T01:41:36Z)
• RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
  我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。 提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。 このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
  論文  参考訳（メタデータ） (2023-11-21T21:05:21Z)
• Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
  我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。 まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。 トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-11-24T13:18:27Z)
• Procedure Planning in Instructional Videosvia Contextual Modeling and Model-based Policy Learning [114.1830997893756]
  本研究は,実生活ビデオにおける目標指向アクションを計画するモデルを学習することに焦点を当てる。 本研究では,ベイズ推論とモデルに基づく模倣学習を通して,人間の行動のモデル化を行う新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-10-05T01:06:53Z)
• Prioritized Experience-based Reinforcement Learning with Human Guidance: Methdology and Application to Autonomous Driving [2.5895890901896124]
  強化学習は、最適化と制御問題を解決するために、巧妙な定義と卓越した計算努力を必要とする。 本稿では,人間指導に基づく総合的な強化学習フレームワークを構築した。 強化学習アルゴリズムの効率性と性能を高めるために,人間の指導に適応する新たな優先体験再生機構を提案する。
  論文  参考訳（メタデータ） (2021-09-26T07:19:26Z)
• 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)
• Importance Weighted Policy Learning and Adaptation [89.46467771037054]
  政治外学習の最近の進歩の上に構築された,概念的にシンプルで,汎用的で,モジュール的な補完的アプローチについて検討する。 このフレームワークは確率論的推論文学のアイデアにインスパイアされ、堅牢な非政治学習と事前の行動を組み合わせる。 提案手法は,メタ強化学習ベースラインと比較して,ホールドアウトタスクにおける競合適応性能を実現し,複雑なスパース・リワードシナリオにスケールすることができる。
  論文  参考訳（メタデータ） (2020-09-10T14:16:58Z)
• Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
  本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-05T13:46:16Z)

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。