論文の概要: Feature Weighting Improves Pool-Based Sequential Active Learning for Regression

• arxiv url: http://arxiv.org/abs/2604.02019v1
• Date: Thu, 02 Apr 2026 13:22:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.808675
• Title: Feature Weighting Improves Pool-Based Sequential Active Learning for Regression
• Title（参考訳）: 機能重み付けによる回帰学習のためのプール型逐次能動学習の改善
• Authors: Dongrui Wu,
• Abstract要約: 回帰計算(ALR)のためのプールベースの逐次能動的学習は、ラベルなしサンプルの大きなプールからラベルまで、少数のサンプルを最適に選択する。 異なるサンプル間の距離を計算することを含む代表性と多様性は、ALRにおいて重要な考慮事項である。 本稿では,3つの特徴重み付きシングルタスクALRアプローチと2つの特徴重み付きマルチタスクALRアプローチを提案する。
• 参考スコア（独自算出の注目度）: 10.379343112150682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pool-based sequential active learning for regression (ALR) optimally selects a small number of samples sequentially from a large pool of unlabeled samples to label, so that a more accurate regression model can be constructed under a given labeling budget. Representativeness and diversity, which involve computing the distances among different samples, are important considerations in ALR. However, previous ALR approaches do not incorporate the importance of different features in inter-sample distance computation, resulting in sub-optimal sample selection. This paper proposes three feature weighted single-task ALR approaches and two feature weighted multi-task ALR approaches, where the ridge regression coefficients trained from a small amount of previously labeled samples are used to weight the corresponding features in inter-sample distance computation. Experiments showed that this easy-to-implement enhancement almost always improves the performance of four existing ALR approaches, in both single-task and multi-task regression problems. The feature weighting strategy may also be easily extended to stream-based ALR, and classification algorithms.
• Abstract（参考訳）: 回帰学習のためのプールベースの逐次能動的学習(ALR)は、ラベルなしサンプルの大きなプールからラベルまで少数のサンプルを最適に選択し、与えられたラベル付け予算の下でより正確な回帰モデルを構築することができる。 異なるサンプル間の距離を計算することを含む代表性と多様性は、ALRにおいて重要な考慮事項である。 しかし、従来のALRアプローチでは、サンプル間距離計算における異なる特徴の重要性を取り入れておらず、その結果、サブ最適サンプル選択が生じる。 本稿では,2つの特徴量重み付きシングルタスク ALR 手法と2つの特徴量重み付きマルチタスク ALR 手法を提案する。 実験により、この実装が容易な拡張は、シングルタスクとマルチタスクの回帰問題の両方において、既存の4つのALRアプローチの性能をほぼ常に改善することが示された。 特徴重み付け戦略はストリームベースのALRや分類アルゴリズムにも容易に拡張できる。

関連論文リスト

• R-Sparse: Rank-Aware Activation Sparsity for Efficient LLM Inference [77.47238561728459]
  R-スパース(R-Sparse)は、高度なLCMにおいて高い疎度を達成できる訓練不要なアクティベーション・スパシティ・アプローチである。 10種類のタスクにわたるLlama-2/3およびMistralモデルの実験は、R-Sparseが50%のモデルレベルの間隔で同等のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-04-28T03:30:32Z)
• Adaptive Sampled Softmax with Inverted Multi-Index: Methods, Theory and Applications [79.53938312089308]
  MIDX-Samplerは、逆多重インデックスアプローチに基づく新しい適応型サンプリング戦略である。 本手法は, サンプリングバイアス, 勾配バイアス, 収束速度, 一般化誤差境界などの重要な問題に対処するため, 厳密な理論的解析によって裏付けられている。
  論文  参考訳（メタデータ） (2025-01-15T04:09:21Z)
• Stochastic Q-learning for Large Discrete Action Spaces [79.1700188160944]
  離散的な行動空間を持つ複雑な環境では、強化学習(RL)において効果的な意思決定が重要である 我々は、$n$アクションの集合全体を最適化するのとは対照的に、おそらく$mathcalO(log(n)$)$のような変数の集合のみを考える。 提示された値ベースのRL手法には、Q-learning、StochDQN、StochDDQNなどが含まれる。
  論文  参考訳（メタデータ） (2024-05-16T17:58:44Z)
• Combining X-Vectors and Bayesian Batch Active Learning: Two-Stage Active Learning Pipeline for Speech Recognition [0.0]
  本稿では,自動音声認識(ASR)のための2段階アクティブラーニング(AL)パイプラインを提案する。 第1段階では、ラベルなし音声データから多様なサンプル選択を行うために、xベクトルクラスタリングを用いて教師なしALを利用する。 第2段階には、ASR用に特別に開発されたバッチALメソッドを備えた、教師付きAL戦略が組み込まれている。
  論文  参考訳（メタデータ） (2024-05-03T19:24:41Z)
• REBEL: Reinforcement Learning via Regressing Relative Rewards [59.68420022466047]
  生成モデルの時代における最小限のRLアルゴリズムであるREBELを提案する。 理論的には、自然ポリシーグラディエントのような基本的なRLアルゴリズムはREBELの変種と見なすことができる。 我々はREBELが言語モデリングと画像生成に一貫したアプローチを提供し、PPOやDPOとより強くあるいは類似した性能を実現することを発見した。
  論文  参考訳（メタデータ） (2024-04-25T17:20:45Z)
• Regression-aware Inference with LLMs [52.764328080398805]
  提案手法は,一般的な回帰と評価指標に準最適であることを示す。 本稿では,ベイズ最適解を推定し,サンプル応答からクローズド形式の評価指標を推定する代替推論手法を提案する。
  論文  参考訳（メタデータ） (2024-03-07T03:24:34Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Sparse Bayesian Learning via Stepwise Regression [1.2691047660244335]
  我々は、RMP(Relevance Matching Pursuit)と呼ばれるSBLのための座標加算アルゴリズムを提案する。 ノイズ分散パラメータがゼロになるにつれて、RMPはステップワイド回帰と驚くべき関係を示す。 ステップワイド回帰アルゴリズムの新たな保証を導き、RMPにも光を当てる。
  論文  参考訳（メタデータ） (2021-06-11T00:20:27Z)
• Improving Sample and Feature Selection with Principal Covariates Regression [0.0]
  この目的に応用された2つの人気のあるサブセレクション方式に焦点をあてる。 対象情報を組み込むことで,教師付きタスクにおいてより優れた選択が可能となることを示す。 また、単純な教師付き学習モデルの側面を組み込むことで、より複雑なモデルの精度を向上させることも示します。
  論文  参考訳（メタデータ） (2020-12-22T18:52:06Z)
• Pool-Based Unsupervised Active Learning for Regression Using Iterative Representativeness-Diversity Maximization (iRDM) [22.037639625586667]
  アクティブラーニング(AL)はラベル付けに最も有用な未ラベルのサンプルを選択するため、同じラベル付けされたサンプルからより優れた機械学習モデルをトレーニングすることができる。 回帰(ALR)アプローチのための既存のアクティブラーニングは監視されており、サンプリングプロセスはラベル情報を使用する必要がある。 提案手法は, 新規な教師なしALR手法, 反復代表性多様性 (iRDM) を用いて, 選択したサンプルの表現性と多様性のバランスをとるものである。
  論文  参考訳（メタデータ） (2020-03-17T12:20:46Z)

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。