論文の概要: CUAL: Continual Uncertainty-aware Active Learner

• arxiv url: http://arxiv.org/abs/2412.09701v1
• Date: Thu, 12 Dec 2024 19:49:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:03:53.398122
• Title: CUAL: Continual Uncertainty-aware Active Learner
• Title（参考訳）: CUAL: 継続的な不確かさを意識したアクティブラーニング
• Authors: Amanda Rios, Ibrahima Ndiour, Parual Datta, Jerry Sydir, Omesh Tickoo, Nilesh Ahuja,
• Abstract要約: デプロイされたAIエージェントは、既知のクラスの未知のサンプルだけでなく、新しい(未知の)クラスからのサンプルを含む可能性のあるラベルのないデータを継続的に提供する。 我々は,この複雑な問題に対する包括的解決策を,我々のモデル "CUAL" (Continual Uncertainty-aware Active Learner) で提示する。 CUALは不確実性推定アルゴリズムを利用して、不明瞭(不確実)な予測された新しいクラスサンプルのアクティブなラベル付けを優先順位付けし、同時に各クラスの最も確実な予測を擬似ラベル付けする。
• 参考スコア（独自算出の注目度）: 5.678185894553588
• License:
• Abstract: AI deployed in many real-world use cases should be capable of adapting to novelties encountered after deployment. Here, we consider a challenging, under-explored and realistic continual adaptation problem: a deployed AI agent is continuously provided with unlabeled data that may contain not only unseen samples of known classes but also samples from novel (unknown) classes. In such a challenging setting, it has only a tiny labeling budget to query the most informative samples to help it continuously learn. We present a comprehensive solution to this complex problem with our model "CUAL" (Continual Uncertainty-aware Active Learner). CUAL leverages an uncertainty estimation algorithm to prioritize active labeling of ambiguous (uncertain) predicted novel class samples while also simultaneously pseudo-labeling the most certain predictions of each class. Evaluations across multiple datasets, ablations, settings and backbones (e.g. ViT foundation model) demonstrate our method's effectiveness. We will release our code upon acceptance.
• Abstract（参考訳）: 多くの現実世界のユースケースにデプロイされたAIは、デプロイ後に遭遇した斬新さに適応できるはずである。 デプロイされたAIエージェントは、既知のクラスの未知のサンプルだけでなく、新しい(未知の)クラスからのサンプルを含む可能性のあるラベルのないデータを継続的に提供します。 このような困難な状況下では、最も情報に富んだサンプルを照会し、継続的に学習するための小さなラベル付け予算しか持たない。 本稿では,本モデル「CUAL(Continual Uncertainty-aware Active Learner)」を用いて,この複雑な問題に対する包括的解決策を提案する。 CUALは不確実性推定アルゴリズムを利用して、不明瞭(不確実)な予測された新しいクラスサンプルのアクティブなラベル付けを優先順位付けし、同時に各クラスの最も確実な予測を擬似ラベル付けする。 複数のデータセット、アブレーション、セッティング、バックボーン(例えば、ViTファンデーションモデル)にわたる評価は、我々の方法の有効性を実証する。 私たちは受け入れ次第コードを公開します。

関連論文リスト

• Probably Approximately Precision and Recall Learning [62.912015491907994]
  精度とリコールは機械学習の基本的な指標である。 一方的なフィードバック – トレーニング中にのみ肯定的な例が観察される – は,多くの実践的な問題に固有のものだ。 PAC学習フレームワークでは,各仮説をグラフで表現し,エッジは肯定的な相互作用を示す。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• Evaluating the Efficacy of Instance Incremental vs. Batch Learning in Delayed Label Environments: An Empirical Study on Tabular Data Streaming for Fraud Detection [0.13980986259786224]
  不正検出やクレジットスコアリングといった現実世界のシナリオでは、ラベルが遅れる可能性がある。 バッチインクリメンタルアルゴリズムは多くの現実世界のタスクで広く使われている。 以上の結果から,インクリメンタル学習が優れた選択肢ではないことが示唆された。
  論文  参考訳（メタデータ） (2024-09-16T09:20:01Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Overcoming Overconfidence for Active Learning [1.2776312584227847]
  本稿では,アクティブな学習シナリオで発生する過信の問題に対処する2つの新しい手法を提案する。 1つ目はCross-Mix-and-Mix(CMaM)と呼ばれる拡張戦略で、限られたトレーニング分布を拡張してモデルを校正することを目的としている。 2つ目は Ranked Margin Sampling (RankedMS) という選択戦略である。
  論文  参考訳（メタデータ） (2023-08-21T09:04:54Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
  我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。 凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:47:16Z)
• Low-Regret Active learning [64.36270166907788]
  トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。 私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
  論文  参考訳（メタデータ） (2021-04-06T22:53:45Z)
• Deep Active Learning via Open Set Recognition [0.0]
  多くのアプリケーションでは、データは簡単に取得できるが、顕著な例を示すのに高価で時間がかかる。 オープンセット認識問題として能動的学習を定式化する。 現在のアクティブな学習方法とは異なり、我々のアルゴリズムはタスクラベルを必要とせずにタスクを学習することができる。
  論文  参考訳（メタデータ） (2020-07-04T22:09:17Z)
• Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
  部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。 既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。 本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T08:35:15Z)

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。