論文の概要: Online semi-supervised perception: Real-time learning without explicit feedback
- arxiv url: http://arxiv.org/abs/2604.27562v1
- Date: Thu, 30 Apr 2026 08:14:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-01 16:31:53.987422
- Title: Online semi-supervised perception: Real-time learning without explicit feedback
- Title（参考訳）: オンライン半教師付き知覚:明示的なフィードバックのないリアルタイム学習
- Authors: Branislav Kveton, Michal Valko, Matthai Phillipose, Ling Huang,
- Abstract要約: 本稿では,明示的なフィードバックを伴わないリアルタイム学習のためのアルゴリズムを提案する。
我々はアルゴリズムを動機付け、効率的に実装する方法を議論し、そのソリューションの品質に反する後悔を証明し、リアルタイム顔認識の問題に適用する。
- 参考スコア（独自算出の注目度）: 31.380197551243807
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes an algorithm for real-time learning without explicit feedback. The algorithm combines the ideas of semi-supervised learning on graphs and online learning. In particular, it iteratively builds a graphical representation of its world and updates it with observed examples. Labeled examples constitute the initial bias of the algorithm and are provided offline, and a stream of unlabeled examples is collected online to update this bias. We motivate the algorithm, discuss how to implement it efficiently, prove a regret bound on the quality of its solutions, and apply it to the problem of real-time face recognition. Our recognizer runs in real time, and achieves superior precision and recall on 3 challenging video datasets.
- Abstract（参考訳）: 本稿では,明示的なフィードバックを伴わないリアルタイム学習のためのアルゴリズムを提案する。
このアルゴリズムは、グラフ上の半教師付き学習とオンライン学習のアイデアを組み合わせる。
特に、その世界のグラフィカルな表現を反復的に構築し、観察された例でそれを更新する。
ラベル付きサンプルはアルゴリズムの初期バイアスを構成し、オフラインで提供され、ラベルなしサンプルのストリームがオンラインで収集され、このバイアスを更新する。
我々はアルゴリズムを動機付け、効率的に実装する方法を議論し、そのソリューションの品質に反する後悔を証明し、リアルタイム顔認識の問題に適用する。
我々の認識器はリアルタイムで動作し、3つの挑戦的なビデオデータセット上でより優れた精度とリコールを達成する。
関連論文リスト
- Learning-Augmented Moment Estimation on Time-Decay Models [55.06256430461023]
私たちは、多くの基本的な問題に対して学習強化アルゴリズムを提供するために、データセットのヘビーヒッターにオラクルを使用します。
提案手法は,実データおよび合成データセット上でのアルゴリズムの実用的効率を実証する実験的な評価によって理論的結果を補完するものである。
論文 参考訳（メタデータ） (2026-03-03T00:42:34Z) - Online-BLS: An Accurate and Efficient Online Broad Learning System for Data Stream Classification [52.251569042852815]
オンライン更新毎にクローズドフォームソリューションを備えたオンライン広範学習システムフレームワークを導入する。
我々は,効果的な重み推定アルゴリズムと効率的なオンライン更新戦略を設計する。
我々のフレームワークは、コンセプトドリフトを伴うデータストリームシナリオに自然に拡張され、最先端のベースラインを超えます。
論文 参考訳（メタデータ） (2025-01-28T13:21:59Z) - Recurrent Joint Embedding Predictive Architecture with Recurrent Forward Propagation Learning [0.0]
生物学的原理にインスパイアされたビジョンネットワークを導入する。
ネットワークは、過去の固定のシーケンスに基づいて、次の画像パッチ(固定)の表現を予測することによって学習する。
また,生物学的に非現実的な逆伝播を回避する学習アルゴリズムであるemphRecurrent-Forwardも導入した。
論文 参考訳（メタデータ） (2024-11-10T01:40:42Z) - Random Representations Outperform Online Continually Learned Representations [68.42776779425978]
既存のオンライン学習深層ネットワークは、単純な事前定義されたランダム変換に比べて劣った表現を生成することを示す。
我々の手法はRanDumbと呼ばれ、あらゆるオンライン連続学習ベンチマークにおいて、最先端の学習表現を著しく上回っている。
本研究は, 表現学習の大きな限界, 特に低経験, オンライン連続学習のシナリオについて明らかにした。
論文 参考訳（メタデータ） (2024-02-13T22:07:29Z) - Efficient Contextual Bandits with Uninformed Feedback Graphs [48.77120088347271]
フィードバックグラフを持つバンディットは、完全な情報と古典的なバンディットの問題を補間する強力なオンライン学習モデルである。
ここでは,2乗損失ではなくログ損失を用いてグラフを学習し,良好な後悔の保証を得ることが重要であることを示す。
論文 参考訳（メタデータ） (2024-02-12T23:50:47Z) - Continual Learning with Deep Streaming Regularized Discriminant Analysis [0.0]
本稿では,この課題に対する解決法として,正規化判別分析のストリーミング版を提案する。
アルゴリズムを畳み込みニューラルネットワークと組み合わせて、バッチ学習と既存のストリーミング学習アルゴリズムよりも優れていることを実証します。
論文 参考訳（メタデータ） (2023-09-15T12:25:42Z) - Understanding Self-Predictive Learning for Reinforcement Learning [61.62067048348786]
強化学習のための自己予測学習の学習ダイナミクスについて検討する。
本稿では,2つの表現を同時に学習する新しい自己予測アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-12-06T20:43:37Z) - Reinforcement Learning with Sparse Rewards using Guidance from Offline
Demonstration [9.017416068706579]
実世界の強化学習(RL)における大きな課題は、報酬フィードバックの空間性である。
我々は,準最適行動ポリシーによって生成されたオフラインのデモデータを利用するアルゴリズムを開発した。
我々は、最先端アプローチよりもアルゴリズムの優れた性能を実証する。
論文 参考訳（メタデータ） (2022-02-09T18:45:40Z) - Low-Regret Active learning [64.36270166907788]
トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。
私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
論文 参考訳（メタデータ） (2021-04-06T22:53:45Z)
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。