論文の概要: Active Learning with Task-Driven Representations for Messy Pools

• arxiv url: http://arxiv.org/abs/2510.25926v1
• Date: Wed, 29 Oct 2025 19:54:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.555222
• Title: Active Learning with Task-Driven Representations for Messy Pools
• Title（参考訳）: メッシープールのためのタスク駆動表現を用いたアクティブラーニング
• Authors: Kianoosh Ashouritaklimi, Tom Rainforth,
• Abstract要約: 固定された教師なしのプール表現は、タスクに関連する重要な情報を捕捉できないことを示す。 本稿では,アクティブな学習プロセス中に定期的に更新されるタスク駆動型表現を提案する。 その結果,教師なし表現や事前学習表現よりも経験的性能が著しく向上していることが判明した。
• 参考スコア（独自算出の注目度）: 14.927816848197963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active learning has the potential to be especially useful for messy, uncurated pools where datapoints vary in relevance to the target task. However, state-of-the-art approaches to this problem currently rely on using fixed, unsupervised representations of the pool, focusing on modifying the acquisition function instead. We show that this model setup can undermine their effectiveness at dealing with messy pools, as such representations can fail to capture important information relevant to the task. To address this, we propose using task-driven representations that are periodically updated during the active learning process using the previously collected labels. We introduce two specific strategies for learning these representations, one based on directly learning semi-supervised representations and the other based on supervised fine-tuning of an initial unsupervised representation. We find that both significantly improve empirical performance over using unsupervised or pretrained representations.
• Abstract（参考訳）: アクティブラーニングは、特に、データポイントがターゲットタスクと関連性が異なる乱雑で未処理のプールに有用である可能性がある。 しかし、この問題に対する最先端のアプローチは、現在、プールの固定された教師なし表現の使用に依存しており、代わりに取得関数を変更することに重点を置いている。 このモデル設定は、タスクに関連する重要な情報を表現できないため、乱雑なプールを扱う上での有効性を損なう可能性がある。 そこで本稿では,これまでに収集したラベルを用いて,アクティブラーニングプロセス中に定期的に更新されるタスク駆動表現を提案する。 本稿では、これらの表現を学習するための2つの具体的な戦略を紹介し、その1つは、半教師なし表現を直接学習し、もう1つは、初期教師なし表現の教師なし微調整に基づく。 その結果,教師なし表現や事前学習表現よりも経験的性能が著しく向上していることが判明した。

関連論文リスト

• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• Leveraging sparse and shared feature activations for disentangled representation learning [112.22699167017471]
  本稿では,教師付きタスクの多種多様な集合から抽出した知識を活用し,共通不整合表現を学習することを提案する。 我々は6つの実世界分布シフトベンチマークと異なるデータモダリティに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2023-04-17T01:33:24Z)
• Co$^2$L: Contrastive Continual Learning [69.46643497220586]
  近年の自己教師型学習のブレークスルーは、このようなアルゴリズムが視覚的な表現を学習し、見えないタスクにもっとうまく移行できることを示している。 本稿では、連続的な学習と伝達可能な表現の維持に焦点を当てたリハーサルに基づく連続学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-28T06:14:38Z)
• Learning Actor-centered Representations for Action Localization in Streaming Videos using Predictive Learning [18.757368441841123]
  ストリーミングビデオのアクションの認識やローカライズなどのイベント認識タスクは、視覚的な理解タスクに取り組む上で不可欠です。 我々は,連続的階層的予測学習という概念を通じて,テクスタクタ中心の表現を学習する問題に取り組む。 イベント知覚の認知理論に触発され、新しい自己監督型フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-29T06:06:58Z)
• Conditional Meta-Learning of Linear Representations [57.90025697492041]
  表現学習のための標準メタラーニングは、複数のタスク間で共有される共通の表現を見つけることを目的とする。 本研究では,タスクの側情報を手作業に適した表現にマッピングし,条件付け関数を推定することで,この問題を克服する。 この利点を実用的に活用できるメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-30T12:02:14Z)
• Reinforcement Learning with Prototypical Representations [114.35801511501639]
  Proto-RLは、プロトタイプ表現を通じて表現学習と探索を結び付ける自己監督型フレームワークである。 これらのプロトタイプは、エージェントの探索経験の要約と同時に、観察を表す基盤としても機能する。 これにより、困難な連続制御タスクのセットで最新の下流ポリシー学習が可能になります。
  論文  参考訳（メタデータ） (2021-02-22T18:56:34Z)
• Self-Supervised Domain Adaptation with Consistency Training [0.2462953128215087]
  画像分類における教師なし領域適応の問題点を考察する。 ラベルのないデータをある種の変換で拡張することにより、自己教師付きプレテキストタスクを作成する。 我々は、拡張データの表現を元のデータと整合するように強制する。
  論文  参考訳（メタデータ） (2020-10-15T06:03:47Z)

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。