論文の概要: Gradient-Discrepancy Acquisition for Pool-Based Active Learning

• arxiv url: http://arxiv.org/abs/2605.02609v1
• Date: Mon, 04 May 2026 13:56:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.317786
• Title: Gradient-Discrepancy Acquisition for Pool-Based Active Learning
• Title（参考訳）: プール型アクティブラーニングのためのグラディエント離散性獲得
• Authors: Mohamadsadegh Khosravani, Sandra Zilles,
• Abstract要約: アクティブ・ラーニング・ヒンジの有効性は、学習アルゴリズムがラベルを検索した潜在的に有意なデータポイントを選択するような取得基準の選択に左右される。 本稿では,Luoらによって制限された一般化から導かれる,新しい勾配に基づく獲得基準を提案する。 この基準は、不確かさサンプリングにおける不確実性対策の代わりに適用したり、ラベルの不確実性に加えてサンプルポイントの拡散を考慮した多様性ベースの手法に組み込むことができる。
• 参考スコア（独自算出の注目度）: 2.1576477867114585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The effectiveness of active learning hinges on the choice of the acquisition criterion by which a learning algorithm selects potentially informative data points whose label is subsequently queried. This paper proposes a novel gradient-based acquisition criterion, derived from a generalization bound introduced by Luo et al. (2022). This criterion can be applied in lieu of uncertainty measures in uncertainty sampling, or incorporated into diversity-based methods that consider the spread of sampled points in addition to the uncertainty of their labels. We provide a theoretical justification of the proposed acquisition criterion, and demonstrate its effectiveness in an empirical evaluation.
• Abstract（参考訳）: アクティブ・ラーニング・ヒンジの有効性は、学習アルゴリズムがラベルを検索した潜在的に有意なデータポイントを選択するような取得基準の選択に左右される。 本稿では,Luo et al (2022)によって導入された一般化から導かれる,勾配に基づく新たな獲得基準を提案する。 この基準は、不確かさサンプリングにおける不確実性対策の代わりに適用したり、ラベルの不確実性に加えてサンプルポイントの拡散を考慮した多様性ベースの手法に組み込むことができる。 本稿では,提案した買収基準の理論的正当性を示し,その有効性を実証的評価で示す。

関連論文リスト

• Risk-Sensitive Stochastic Optimal Control as Rao-Blackwellized Markovian Score Climbing [3.9410617513331863]
  動的システムの最適制御は、シーケンシャルな意思決定において重要な課題である。 コントロール・アズ・推論のアプローチは大きな成功をおさめ、探索・探索ジレンマに対処するためのリスクに敏感なフレームワークを提供する。 本稿では, 条件付き粒子フィルタから抽出した試料下でのマルコフ強化スコアクライミングとして, リスク感応性制御のフレーミングによる新しい視点を提案する。
  論文  参考訳（メタデータ） (2023-12-21T16:34:03Z)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• Leveraging Uncertainty Estimates To Improve Classifier Performance [4.4951754159063295]
  バイナリ分類では、正のクラスのモデルスコアが、アプリケーション要求に基づいて選択されたしきい値を超えるかどうかに基づいて、インスタンスのラベルを予測する。 しかし、モデルスコアは真の肯定率と一致しないことが多い。 これは特に、クラス間の差分サンプリングを含むトレーニングや、トレインとテスト設定間の分散ドリフトがある場合に当てはまる。
  論文  参考訳（メタデータ） (2023-11-20T12:40:25Z)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• On robust risk-based active-learning algorithms for enhanced decision support [0.0]
  分類モデルは、構造的健康モニタリング(SHM)システムやデジタルツインなどの物理資産管理技術の基本的な構成要素である。 本稿では,サンプリングバイアスの効果に対処する2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-01-07T17:25:41Z)
• MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
  近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。 本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。 特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
  論文  参考訳（メタデータ） (2021-07-23T06:57:08Z)
• Deep Active Learning for Solvability Prediction in Power Systems [7.634675607430369]
  本稿では,電力系統の可解性予測のためのディープラーニングフレームワークを提案する。 すべてのインスタンスがラベル付けされた後、トレーニングが行われる受動的学習方法と比較して、アクティブラーニングはラベル付けする最も情報性の高いインスタンスを選択する。
  論文  参考訳（メタデータ） (2020-07-27T00:13:09Z)

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。