論文の概要: Evolutionary algorithms meet self-supervised learning: a comprehensive survey
- arxiv url: http://arxiv.org/abs/2504.07213v1
- Date: Wed, 09 Apr 2025 18:39:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-11 12:23:29.779924
- Title: Evolutionary algorithms meet self-supervised learning: a comprehensive survey
- Title（参考訳）: 進化的アルゴリズムが自己指導型学習に到達:総合的な調査
- Authors: Adriano Vinhas, João Correia, Penousal Machado,
- Abstract要約: これら2つの領域を組み合わせることで、進化的プロセスを形作ることと、ディープニューラルネットワークの設計を自動化することの両方に役立つ。
我々は進化的自己監督学習(Evolutionary Self-Supervised Learning)と呼ばれる新しいサブ領域の研究を提案する。
我々は、進化的自己監督学習がフィールドとして成長し成熟するのを助けるために、いくつかの主な課題を指摘し、今後の研究の方向性を提案する。
- 参考スコア（独自算出の注目度）: 0.49157446832511503
- License:
- Abstract: The number of studies that combine Evolutionary Machine Learning and self-supervised learning has been growing steadily in recent years. Evolutionary Machine Learning has been shown to help automate the design of machine learning algorithms and to lead to more reliable solutions. Self-supervised learning, on the other hand, has produced good results in learning useful features when labelled data is limited. This suggests that the combination of these two areas can help both in shaping evolutionary processes and in automating the design of deep neural networks, while also reducing the need for labelled data. Still, there are no detailed reviews that explain how Evolutionary Machine Learning and self-supervised learning can be used together. To help with this, we provide an overview of studies that bring these areas together. Based on this growing interest and the range of existing works, we suggest a new sub-area of research, which we call Evolutionary Self-Supervised Learning and introduce a taxonomy for it. Finally, we point out some of the main challenges and suggest directions for future research to help Evolutionary Self-Supervised Learning grow and mature as a field.
- Abstract（参考訳）: 近年,進化的機械学習と自己教師型学習を組み合わせた研究が着実に増えている。
進化的機械学習は、機械学習アルゴリズムの設計を自動化し、より信頼性の高いソリューションへと導くのに役立つことが示されている。
一方、自己教師付き学習は、ラベル付きデータに制限がある場合に有用な特徴を学習するのに良い結果をもたらしている。
このことは、これらの2つの領域の組み合わせが、進化過程の形成とディープニューラルネットワークの設計の自動化の両方に役立つと同時に、ラベル付きデータの必要性を低減することを示唆している。
それでも、進化的機械学習と自己教師型学習をどのように併用するかを説明する詳細なレビューは存在しない。
これを支援するために、これらの領域をまとめる研究の概要を紹介します。
この関心の高まりと既存研究の範囲に基づいて、進化的自己監督学習(Evolutionary Self-Supervised Learning)と呼ばれる新たなサブ領域の研究を提案する。
最後に、いくつかの主要な課題を指摘し、進化的自己監督学習がフィールドとして成長し成熟するのを助けるための今後の研究の方向性を提案する。
関連論文リスト
- Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。
我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
論文 参考訳（メタデータ） (2024-03-27T05:10:38Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - When Meta-Learning Meets Online and Continual Learning: A Survey [39.53836535326121]
メタ学習は学習アルゴリズムを最適化するためのデータ駆動型アプローチである。
継続的な学習とオンライン学習はどちらも、ストリーミングデータでモデルを漸進的に更新する。
本稿では,一貫した用語と形式記述を用いて,様々な問題設定を整理する。
論文 参考訳（メタデータ） (2023-11-09T09:49:50Z) - Enhancing Robot Learning through Learned Human-Attention Feature Maps [6.724036710994883]
ロボット学習にフォーカスポイントに関する補助情報を埋め込むことで、学習プロセスの効率性と堅牢性が向上すると考えられる。
本稿では,人間の注意を近似予測モデルでモデル化し,エミュレートするための新しいアプローチを提案する。
我々は,物体検出と模倣学習という2つの学習課題にアプローチを試行する。
論文 参考訳（メタデータ） (2023-08-29T14:23:44Z) - Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。
データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
論文 参考訳（メタデータ） (2022-11-27T13:07:14Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z) - AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。
汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。
機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文 参考訳（メタデータ） (2020-03-06T19:00:04Z)
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。