論文の概要: Budgeted Online Active Learning with Expert Advice and Episodic Priors

• arxiv url: http://arxiv.org/abs/2506.03307v1
• Date: Tue, 03 Jun 2025 18:48:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.009443
• Title: Budgeted Online Active Learning with Expert Advice and Episodic Priors
• Title（参考訳）: エキスパートアドバイザとエピソードによるオンラインアクティブラーニングの予算化
• Authors: Kristen Goebel, William Solow, Paola Pesantez-Cabrera, Markus Keller, Alan Fern,
• Abstract要約: 本稿では,有限水平データストリームからの予算付きオンラインアクティブラーニングに対して,ラベル付け予算が極端に制限された新しいアプローチを提案する。 提案手法は,既存の専門家予測器の収集と,専門家の叙述的行動知識の収集という,事前情報の2つの重要な源泉を統合する。 専門家によるオンラインアクティブラーニングの研究とは異なり、我々の研究はクエリ予算、有限地平線、エピソード知識を同時に検討している。
• 参考スコア（独自算出の注目度）: 12.200427000066332
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a novel approach to budgeted online active learning from finite-horizon data streams with extremely limited labeling budgets. In agricultural applications, such streams might include daily weather data over a growing season, and labels require costly measurements of weather-dependent plant characteristics. Our method integrates two key sources of prior information: a collection of preexisting expert predictors and episodic behavioral knowledge of the experts based on unlabeled data streams. Unlike previous research on online active learning with experts, our work simultaneously considers query budgets, finite horizons, and episodic knowledge, enabling effective learning in applications with severely limited labeling capacity. We demonstrate the utility of our approach through experiments on various prediction problems derived from both a realistic agricultural crop simulator and real-world data from multiple grape cultivars. The results show that our method significantly outperforms baseline expert predictions, uniform query selection, and existing approaches that consider budgets and limited horizons but neglect episodic knowledge, even under highly constrained labeling budgets.
• Abstract（参考訳）: 本稿では,有限水平データストリームからの予算付きオンラインアクティブラーニングに対して,ラベル付け予算が極端に制限された新しいアプローチを提案する。 農業の分野では、このような川は成長期の日々の気象データを含んでおり、ラベルには天候に依存した植物の特徴の高価な測定が必要である。 提案手法は,既存の専門家予測器の収集と,ラベルのないデータストリームに基づく専門家の叙述的行動知識の収集という,事前情報の主要な2つの情報源を統合する。 専門家によるオンラインアクティブラーニングの従来の研究とは異なり、我々の研究はクエリ予算、有限地平線、エピソード知識を同時に検討し、ラベリング能力が著しく制限されたアプリケーションにおける効果的な学習を可能にした。 実生農作物シミュレーターと複数品種の実生データから得られた様々な予測問題について実験を行い,本手法の有効性を実証する。 提案手法は,高度に制約されたラベル付け予算の下でも,予算や限られた地平線を考慮した既存手法よりもはるかに優れていることを示す。

関連論文リスト

• How to Leverage Diverse Demonstrations in Offline Imitation Learning [39.24627312800116]
  不完全な実演を伴うオフライン模倣学習(IL)は、専門家データの不足により注目を集めている。 本稿では, 結果の状態に基づいて正の挙動を識別する, 単純で効果的なデータ選択手法を提案する。 次に、専門家と選択したデータを正しく活用できる軽量な行動クローニングアルゴリズムを考案する。
  論文  参考訳（メタデータ） (2024-05-24T04:56:39Z)
• An Experimental Design Framework for Label-Efficient Supervised Finetuning of Large Language Models [55.01592097059969]
  命令データセットの監視された微調整は、目覚ましいゼロショットの一般化能力を達成する上で重要な役割を担っている。 アクティブラーニングは、未ラベルのプールからアノテートするサンプルの有用なサブセットを特定するのに効果的である。 本研究では,能動学習の計算ボトルネックを回避するための実験設計を提案する。
  論文  参考訳（メタデータ） (2024-01-12T16:56:54Z)
• 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)
• Mining Drifting Data Streams on a Budget: Combining Active Learning with Self-Labeling [6.436899373275926]
  本稿では,アクティブラーニングと自己ラベルによる情報を組み合わせることで,ドリフトするデータストリームを予算でマイニングする新しいフレームワークを提案する。 我々は,概念ドリフトの可能性を考慮して,インテリジェントなインスタンス選択と半教師付き手順の両方を活用できる戦略をいくつか導入する。
  論文  参考訳（メタデータ） (2021-12-21T07:19:35Z)
• Just Label What You Need: Fine-Grained Active Selection for Perception and Prediction through Partially Labeled Scenes [78.23907801786827]
  提案手法は,コストに配慮した手法と,部分的にラベル付けされたシーンを通じて詳細なサンプル選択を可能にする一般化を導入している。 実世界の大規模自動運転データセットに関する我々の実験は、微粒な選択が知覚、予測、下流計画タスクのパフォーマンスを向上させることを示唆している。
  論文  参考訳（メタデータ） (2021-04-08T17:57:41Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)
• Forecasting day-ahead electricity prices: A review of state-of-the-art algorithms, best practices and an open-access benchmark [14.377733907729072]
  電力価格予測の分野は、過去20年間に多くの貢献から恩恵を受けている。 後者はしばしば、公開されていないユニークなデータセットを使用して比較される。 電力価格の予測において、どの方法がうまく機能するか、何がベストプラクティスであるかは明らかになっていない。
  論文  参考訳（メタデータ） (2020-08-18T16:19:20Z)

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。