論文の概要: CAAL: Contextual Bandits based Online Hand-Craft Active Learning Strategy Selection

• arxiv url: http://arxiv.org/abs/2606.07910v1
• Date: Sat, 06 Jun 2026 00:20:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.532203
• Title: CAAL: Contextual Bandits based Online Hand-Craft Active Learning Strategy Selection
• Title（参考訳）: CAAL: コンテキスト帯域に基づくオンラインハンドクラフトアクティブラーニング戦略の選択
• Authors: Shao-An Yin, Jiacong Li, Tianpei Xie, Cecile Levasseur, Wojciech Kowalinski, Nicola Elia,
• Abstract要約: 文脈適応型アクティブラーニング(CAAL)を紹介する。 CAALでは、それぞれの「腕」は手作りの戦略を表す。 実験により、CAALは、既存のベースライン適応戦略よりも、公開データセット上で優れていることを示す。
• 参考スコア（独自算出の注目度）: 1.3187061540651615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The challenge with active learning algorithms is the uncertainty of the statistical distribution of unlabeled data, making it difficult to choose the best hand-crafted strategy. To address this, we introduced Contextual Adaptive Active Learning (CAAL). In CAAL, each "arm" represents a hand-crafted strategy. Unlike existing frameworks that select strategies based only on feedback from labeled data, we dynamically choose strategies for labeling batches of data using reward prediction with external context information. This general framework allows for customization with domain knowledge to design more effective rewards and context candidates. In addition, we experimentally show that CAAL outperforms the existing baseline adaptive strategy on public datasets using our reward and context design. Our results are consistent regardless of batch size in each iteration.
• Abstract（参考訳）: 能動学習アルゴリズムの課題は、ラベルのないデータの統計的分布の不確実性であり、手作りの最良の戦略を選択することは困難である。 これを解決するために、私たちは文脈適応アクティブラーニング(CAAL)を導入しました。 CAALでは、それぞれの「腕」は手作りの戦略を表す。 ラベル付きデータからのフィードバックのみに基づいて戦略を選択する既存のフレームワークとは異なり、我々は外部コンテキスト情報を用いた報酬予測を用いてデータのバッチをラベル付けする戦略を動的に選択する。 この一般的なフレームワークはドメイン知識によるカスタマイズを可能にし、より効果的な報酬やコンテキスト候補を設計できる。 さらに、CAALは、我々の報酬と文脈設計を用いて、公開データセット上で既存のベースライン適応戦略より優れていることを実験的に示す。 結果は、各イテレーションのバッチサイズに関わらず、一貫しています。

関連論文リスト

• Automating aggregation strategy selection in federated learning [0.0]
  我々は、連合学習のための集約戦略選択を自動化し、合理化し、適応するエンドツーエンドのフレームワークを提案する。 本手法は,非IID条件下でのロバスト性や一般化を向上し,手動介入の必要性を低減させる。
  論文  参考訳（メタデータ） (2026-04-09T10:08:28Z)
• Plan before Solving: Problem-Aware Strategy Routing for Mathematical Reasoning with LLMs [49.995906301946]
  既存の手法は通常、数学的推論を行うためにLLM(Large Language Models)をガイドするための固定戦略を利用する。 分析の結果,単一戦略は問題固有の要件に適応できず,有効性と効率性のトレードオフを見落としていることが明らかとなった。 本稿では,PRISM(Planning and Routing through Instance-Specific Modeling)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T07:22:41Z)
• Exploring Selective Layer Fine-Tuning in Federated Learning [48.470385357429215]
  フェデレートラーニング(FL)は,分散データを用いた基礎モデルの微調整のための,有望なパラダイムとして登場した。 FLにおける選択的層微調整について検討し、クライアントがローカルデータやリソースに応じて選択した層を調整できるフレキシブルなアプローチを強調した。
  論文  参考訳（メタデータ） (2024-08-28T07:48:39Z)
• Learning to Learn for Few-shot Continual Active Learning [9.283518682371756]
  継続的な学習は、新しいドメインで可塑性を示しながら、以前見たタスクを解く際の安定性を確保するために努力する。 連続学習の最近の進歩は、特にNLPドメインにおいて、主に教師付き学習環境に限られている。 我々はメタラーニングを活用し,メタコンチネンタルアクティブラーニングと呼ばれる手法を提案する。
  論文  参考訳（メタデータ） (2023-11-07T05:22:11Z)
• Budget-aware Few-shot Learning via Graph Convolutional Network [56.41899553037247]
  本稿では,いくつかの例から新しい視覚概念を学習することを目的とした,数ショット学習の課題に取り組む。 数ショット分類における一般的な問題設定は、データラベルの取得においてランダムサンプリング戦略を前提としている。 そこで我々は,新しい対象カテゴリーの学習を目的とした,予算に配慮した数発の学習問題を新たに導入する。
  論文  参考訳（メタデータ） (2022-01-07T02:46:35Z)
• Knowledge-driven Active Learning [70.37119719069499]
  アクティブな学習戦略は、ディープラーニングモデルをトレーニングするために必要なラベル付きデータの量を最小限にすることを目的としている。 ほとんどの積極的な戦略は不確実なサンプルの選択に基づいており、しばしば決定境界に近いサンプルに制限される。 本稿では、一般的なドメイン知識を考慮し、エキスパートでないユーザがより少ないサンプルでモデルを訓練できるようにする。
  論文  参考訳（メタデータ） (2021-10-15T06:11:53Z)
• Efficient Reinforced Feature Selection via Early Stopping Traverse Strategy [36.890295071860166]
  単エージェントモンテカルロ型強化特徴選択法(MCRFS)を提案する。 また,早期停止(ES)戦略と報酬レベルインタラクティブ(RI)戦略の2つの効率改善戦略を提案する。
  論文  参考訳（メタデータ） (2021-09-29T03:51:13Z)
• An EM Framework for Online Incremental Learning of Semantic Segmentation [37.94734474090863]
  本稿では,新しいクラスのみに画素アノテーションを付加したストリーミング入力データを用いて,大惨な忘れをせずに深いセグメンテーションモデルを適応できる漸進的な学習戦略を提案する。 PASCAL VOC 2012とADE20Kデータセットに対するアプローチを検証するとともに,既存のインクリメンタルメソッドよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-08T11:30:09Z)
• Background Knowledge in Schema Matching: Strategy vs. Data [1.2891210250935146]
  我々は、マッチングタスクの背景知識の源として、6つの汎用グラフを利用する。 明確な戦略は依然として潜在戦略よりも優れており、戦略の選択は実際の背景データセットよりもアライメントに大きな影響を与える。 BabelNetと最高のマッチング設定は、他のマッチングシステムと比較して非常に競争力がある。
  論文  参考訳（メタデータ） (2021-06-29T19:16:33Z)

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。