論文の概要: Loss-Driven Bayesian Active Learning

• arxiv url: http://arxiv.org/abs/2604.11995v1
• Date: Mon, 13 Apr 2026 19:36:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.089118
• Title: Loss-Driven Bayesian Active Learning
• Title（参考訳）: 損失駆動ベイズ型アクティブラーニング
• Authors: Zhuoyue Huang, Freddie Bickford Smith, Tom Rainforth,
• Abstract要約: 最適なデータ取得のためのユニークな目的を導出するために、損失がどのように使用できるかを示す。 様々な損失を伴う回帰・分類実験において,本手法は既存手法と比較して試験損失を低減させる。
• 参考スコア（独自算出の注目度）: 14.594845964572663
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The central goal of active learning is to gather data that maximises downstream predictive performance, but popular approaches have limited flexibility in customising this data acquisition to different downstream problems and losses. We propose a rigorous loss-driven approach to Bayesian active learning that allows data acquisition to directly target the loss associated with a given decision problem. In particular, we show how any loss can be used to derive a unique objective for optimal data acquisition. Critically, we then show that any loss taking the form of a weighted Bregman divergence permits analytic computation of a central component of its corresponding objective, making the approach applicable in practice. In regression and classification experiments with a range of different losses, we find our approach reduces test losses relative to existing techniques.
• Abstract（参考訳）: アクティブラーニングの主な目標は、下流の予測性能を最大化するデータを集めることだが、一般的なアプローチでは、このデータ取得を異なる下流の問題と損失にカスタマイズする際の柔軟性が制限されている。 本稿では,ベイジアン能動学習に対する厳密な損失駆動型アプローチを提案する。 特に、最適なデータ取得のためのユニークな目的を導出するために、損失をどのように利用できるかを示す。 批判的に、重み付けされたブレグマン発散の形での損失は、対応する目的の中心成分の解析的計算を可能にし、実際にそのアプローチが適用可能であることを示す。 様々な損失を伴う回帰・分類実験において,本手法は既存手法と比較して試験損失を低減させる。

関連論文リスト

• Rectifying Regression in Reinforcement Learning [51.28909745713678]
  平均絶対誤差は,学習方針の最適度差を制御するために,従来の平均二乗誤差よりもよい予測目標であることを示す。 異なる損失関数は、これらの異なる回帰目標とよりよく一致していることを示す。
  論文  参考訳（メタデータ） (2025-10-01T13:32:07Z)
• EnsLoss: Stochastic Calibrated Loss Ensembles for Preventing Overfitting in Classification [1.3778851745408134]
  経験的リスク最小化フレームワーク内で損失関数を結合する新しいアンサンブル手法,すなわちEnsLossを提案する。 まず、損失のCC条件を損失導関数に変換し、明示的な損失関数の必要性を回避した。 理論的には、我々のアプローチの統計的一貫性を確立し、その利点に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-09-02T02:40:42Z)
• Embedding generalization within the learning dynamics: An approach based-on sample path large deviation theory [0.0]
  本研究では,持続的視点から手法を利用する経験的リスク摂動に基づく学習問題を考察する。 大規模偏差のFreidlin-Wentzell理論に基づく小雑音限界の推定を行う。 また、最適点推定に繋がる変分問題を解く計算アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-04T23:31:35Z)
• Anti-Collapse Loss for Deep Metric Learning Based on Coding Rate Metric [99.19559537966538]
  DMLは、分類、クラスタリング、検索といった下流タスクのための識別可能な高次元埋め込み空間を学習することを目的としている。 埋め込み空間の構造を維持し,特徴の崩壊を避けるために,反崩壊損失と呼ばれる新しい損失関数を提案する。 ベンチマークデータセットの総合実験により,提案手法が既存の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-03T13:44:20Z)
• Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
  ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。 本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-12-20T19:29:37Z)
• Influence-Balanced Loss for Imbalanced Visual Classification [9.958715010698157]
  我々は、バランスの取れたトレーニングフェーズで使われる新たな損失を導き、過度に適合した決定境界の原因となるサンプルの影響を軽減する。 複数のベンチマークデータセットの実験において,提案手法の有効性を実証し,提案手法の損失が最先端のコスト感受性損失法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-06T01:12:40Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• Leveraging Unlabeled Data for Entity-Relation Extraction through Probabilistic Constraint Satisfaction [54.06292969184476]
  シンボリックドメイン知識の存在下でのエンティティ関係抽出の問題を研究する。 本手法では,論理文の正確な意味を捉える意味的損失を用いる。 低データ体制に焦点をあてて、セマンティックな損失がベースラインをはるかに上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-20T00:16:29Z)

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。