Fugu-MT 論文翻訳(概要): Big Batch Bayesian Active Learning by Considering Predictive Probabilities

論文の概要: Big Batch Bayesian Active Learning by Considering Predictive Probabilities

arxiv url: http://arxiv.org/abs/2501.08223v1
Date: Tue, 14 Jan 2025 16:06:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-15 13:27:01.148603
Title: Big Batch Bayesian Active Learning by Considering Predictive Probabilities
Title（参考訳）: 予測確率を考慮したビッグバッチベイズアクティブラーニング
Authors: Sebastian W. Ober, Samuel Power, Tom Diethe, Henry B. Moss,
Abstract要約: 疫学的な不確実性のみを示す予測確率に焦点をあてることを提案する。その結果、より良いパフォーマンスを実現するだけでなく、評価も高速になり、以前よりも大きなバッチ処理が可能になる。
参考スコア（独自算出の注目度）: 12.251629633238013
License:
Abstract: We observe that BatchBALD, a popular acquisition function for batch Bayesian active learning for classification, can conflate epistemic and aleatoric uncertainty, leading to suboptimal performance. Motivated by this observation, we propose to focus on the predictive probabilities, which only exhibit epistemic uncertainty. The result is an acquisition function that not only performs better, but is also faster to evaluate, allowing for larger batches than before.
Abstract（参考訳）: 分類のためのバッチベイズ能動的学習のための一般的な獲得関数であるBatchBALDは、てんかんや失語症不確かさを解明し、最適以下の性能をもたらすことが観察された。本研究の目的は, 先天的不確実性のみを示す予測確率に焦点をあてることである。その結果、より良いパフォーマンスを実現するだけでなく、評価も高速になり、以前よりも大きなバッチ処理が可能になる。

関連論文リスト

Post-hoc Probabilistic Vision-Language Models [51.12284891724463]
視覚言語モデル(VLM)は、分類、検索、生成タスクにおいて顕著な成功を収めている。追加トレーニングを必要としないVLMにおけるポストホック不確実性評価を提案する。この結果から,大規模モデルの安全性クリティカルな応用が期待できることがわかった。
論文参考訳（メタデータ） (2024-12-08T18:16:13Z)
Poisson Process for Bayesian Optimization [126.51200593377739]
本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
論文参考訳（メタデータ） (2024-02-05T02:54:50Z)
Bayesian Estimate of Mean Proper Scores for Diversity-Enhanced Active Learning [6.704927458661697]
期待されている損失削減(ELR)は、分類誤差の低減と、同じフレームワークに適合するより一般的なコストのベイズ推定に焦点を当てている。本研究では,平均値スコア(BEMPS)のベイズ推定を行い,厳密なスコアの増加を推定する。我々は,BEMPSが頑健な獲得関数とよく校正された分類器を出力し,他の試験よりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-12-15T11:02:17Z)
Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文参考訳（メタデータ） (2023-10-20T10:20:45Z)
Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文参考訳（メタデータ） (2023-04-17T10:59:57Z)
Batch Bayesian optimisation via density-ratio estimation with guarantees [26.052368583196426]
本稿では,BOREの後悔を理論的に分析し,不確実性の推定を改良したアルゴリズムの拡張について述べる。また,BOREを近似ベイズ推論として再キャストすることにより,バッチ最適化設定に自然に拡張可能であることを示す。
論文参考訳（メタデータ） (2022-09-22T00:42:18Z)
Diversity Enhanced Active Learning with Strictly Proper Scoring Rules [4.81450893955064]
テキスト分類のための能動学習(AL)のための獲得関数について検討する。我々は、期待損失削減法(ELR)を、ログ確率や負平均二乗誤差などの(厳密な)スコアの増加を推定するために変換する。 BEMPSを用いた平均二乗誤差とログ確率を用いることで、ロバストな取得関数が得られることを示す。
論文参考訳（メタデータ） (2021-10-27T05:02:11Z)
Efficient Exploration in Binary and Preferential Bayesian Optimization [0.5076419064097732]
BOアルゴリズムは,異なるタイプの不確かさを区別することが重要であることを示す。本稿では,最先端のBO関数より優れた新たな獲得関数を提案する。
論文参考訳（メタデータ） (2021-10-18T14:44:34Z)
Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
論文参考訳（メタデータ） (2020-08-12T10:44:49Z)
Efficient Conformal Prediction via Cascaded Inference with Expanded Admission [43.596058175459746]
共形予測(CP)のための新しい手法を提案する。我々は、単一の予測の代わりに、予測候補のセットを特定することを目指している。この集合は、高い確率で正しい答えを含むことが保証される。
論文参考訳（メタデータ） (2020-07-06T23:13:07Z)
Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文参考訳（メタデータ） (2020-02-20T15:13:27Z)

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。