論文の概要: Collaborative Active Learning in Conditional Trust Environment
- arxiv url: http://arxiv.org/abs/2403.18436v1
- Date: Wed, 27 Mar 2024 10:40:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-28 17:27:38.414053
- Title: Collaborative Active Learning in Conditional Trust Environment
- Title（参考訳）: 条件付き信頼環境における協調型アクティブラーニング
- Authors: Zan-Kai Chong, Hiroyuki Ohsaki, Bryan Ng,
- Abstract要約: 複数の協力者が既存のデータやモデルを開示することなく、組み合わせた機械学習機能を活用して新しいドメインを探索するパラダイムである、協調型アクティブラーニングについて検討する。
このコラボレーションは、(a)直接モデルとデータ開示の必要性を排除し、プライバシとセキュリティの懸念に対処する、(b)直接データ交換なしで異なるデータソースとインサイトの使用を可能にする、(c)共有ラベリングコストを通じてコスト効率とリソース効率を促進する、といういくつかの利点を提供する。
- 参考スコア（独自算出の注目度）: 1.3846014191157405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we investigate collaborative active learning, a paradigm in which multiple collaborators explore a new domain by leveraging their combined machine learning capabilities without disclosing their existing data and models. Instead, the collaborators share prediction results from the new domain and newly acquired labels. This collaboration offers several advantages: (a) it addresses privacy and security concerns by eliminating the need for direct model and data disclosure; (b) it enables the use of different data sources and insights without direct data exchange; and (c) it promotes cost-effectiveness and resource efficiency through shared labeling costs. To realize these benefits, we introduce a collaborative active learning framework designed to fulfill the aforementioned objectives. We validate the effectiveness of the proposed framework through simulations. The results demonstrate that collaboration leads to higher AUC scores compared to independent efforts, highlighting the framework's ability to overcome the limitations of individual models. These findings support the use of collaborative approaches in active learning, emphasizing their potential to enhance outcomes through collective expertise and shared resources. Our work provides a foundation for further research on collaborative active learning and its practical applications in various domains where data privacy, cost efficiency, and model performance are critical considerations.
- Abstract（参考訳）: 本稿では、複数の協力者が既存のデータやモデルを開示することなく、組み合わせた機械学習機能を活用して新しいドメインを探索するパラダイムである協調アクティブラーニングについて検討する。
代わりに、共同作業者は、新しいドメインと新しく取得したラベルから予測結果を共有する。
このコラボレーションにはいくつかの利点があります。
(a)直接モデル及びデータ開示の必要性を排除し、プライバシー及びセキュリティ上の問題に対処する。
b) 直接データ交換なしで、異なるデータソースとインサイトの使用を可能にすること。
(c)共有ラベリングコストを通じて費用効率と資源効率を向上する。
これらの利点を実現するために、上記の目的を達成するために設計された協調的なアクティブラーニングフレームワークを導入する。
提案手法の有効性をシミュレーションにより検証する。
その結果,共同作業は独立した取り組みよりもAUCスコアが高く,個々のモデルの限界を克服するフレームワークの能力を強調した。
これらの知見は,積極的学習における協調的アプローチの活用を支援し,専門知識や共有資源を通じて成果を高める可能性を強調した。
我々の研究は、データプライバシ、コスト効率、モデルパフォーマンスが重要な考慮事項である様々な領域における協調的アクティブラーニングとその実践的応用に関するさらなる研究の基盤を提供する。
関連論文リスト
- On the effects of similarity metrics in decentralized deep learning under distributional shift [2.6763602268733626]
分散学習(DL)は、組織やユーザ間のプライバシー保護コラボレーションを可能にする。
本稿では,モデルマージのためのピア識別のためのDLにおける様々な類似度指標の有効性について検討する。
論文 参考訳（メタデータ） (2024-09-16T20:48:16Z) - Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。
動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
論文 参考訳（メタデータ） (2024-03-11T09:21:11Z) - C-ICL: Contrastive In-context Learning for Information Extraction [54.39470114243744]
c-ICLは、正しいサンプル構築と間違ったサンプル構築の両方を活用して、コンテキスト内学習のデモを作成する、新しい数ショット技術である。
各種データセットに対する実験により,c-ICLは従来の数発のインコンテキスト学習法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-02-17T11:28:08Z) - Sharing Knowledge in Multi-Task Deep Reinforcement Learning [57.38874587065694]
マルチタスク強化学習において、ディープニューラルネットワークを効果的に活用するためのタスク間の表現の共有の利点について検討する。
我々は,タスク間で表現を共有するのに便利な条件を強調する理論的保証を提供することで,これを証明している。
論文 参考訳（メタデータ） (2024-01-17T19:31:21Z) - A Framework for Incentivized Collaborative Learning [15.44652093599549]
我々は、協調学習のインセンティブとなる一般的なフレームワークであるICLを提案する。
連合学習,支援学習,マルチアームバンディットの特定の症例に対するICLの広範な適用性を示す。
論文 参考訳（メタデータ） (2023-05-26T16:00:59Z) - Incentivizing Honesty among Competitors in Collaborative Learning and
Optimization [5.4619385369457225]
協調学習技術は、単一のエンティティのデータでトレーニングされたモデルよりも優れた機械学習モデルを可能にする可能性がある。
多くの場合、このような協調的なスキームの潜在的な参加者は、下流のタスクで競合する。
論文 参考訳（メタデータ） (2023-05-25T17:28:41Z) - Exploring Interactions and Regulations in Collaborative Learning: An
Interdisciplinary Multimodal Dataset [40.193998859310156]
本稿では,協調的プロセスにおいて,協調的プロセスにおける規制が相互作用にどのように影響するかを検討するために,認知的および感情的トリガーを備えた新しいマルチモーダルデータセットを提案する。
意図的な介入を伴う学習課題を15歳以上の高校生に設計・割り当てする。
注記された感情、身体のジェスチャー、およびそれらの相互作用の分析は、デザインされた治療を伴うデータセットが、協調学習における規制の瞬間を効果的に調査できることを示唆している。
論文 参考訳（メタデータ） (2022-10-11T12:56:36Z) - A Field Guide to Federated Optimization [161.3779046812383]
フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。
本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
論文 参考訳（メタデータ） (2021-07-14T18:09:08Z) - Gradient Assisted Learning [34.24028216079336]
本研究では,データやモデル,目的関数を共有せずに,教師付き学習タスクにおいて相互に支援する手法を提案する。
このフレームワークでは、すべての参加者が協調して局所的損失関数の集合を最適化し、各参加者は独自のモデルを構築する。
実験により、すべてのデータ、モデル、目的関数が完全に開示されると、グラディエント支援学習は集中学習に近いパフォーマンスを達成できることが示された。
論文 参考訳（メタデータ） (2021-06-02T19:12:03Z) - Rebuilding Trust in Active Learning with Actionable Metrics [77.99796068970569]
アクティブラーニング(AL)は研究の活発な領域であるが、プレッシャーのあるニーズにもかかわらず、業界ではほとんど使われない。
これは部分的には目的のずれによるものであり、研究は選択したデータセットで最高の結果を得るよう努力している。
積極的学習における産業実践者の信頼回復を支援するために,様々な活動可能な指標を提示する。
論文 参考訳（メタデータ） (2020-12-18T09:34:59Z) - Task-Feature Collaborative Learning with Application to Personalized
Attribute Prediction [166.87111665908333]
本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。
具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。
実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
論文 参考訳（メタデータ） (2020-04-29T02:32:04Z)
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。