論文の概要: Exploring Budgeted Image Classification with Content-Sensitive Resource Allocation
- arxiv url: http://arxiv.org/abs/2607.23997v1
- Date: Mon, 27 Jul 2026 04:49:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.313719
- Title: Exploring Budgeted Image Classification with Content-Sensitive Resource Allocation
- Title（参考訳）: コンテンツ感性資源割当を用いた予算画像分類の探索
- Abstract要約: 本稿では,AI分類システムの複雑性を調整する方法を検討する。
計算予算、画像のバッチ、様々な複雑さで決定を下すことができる分類システムを考えると、決定点に画像を割り当てる戦略を探る。
元の整数プログラムはNP-Hardであり、連続的な緩和を提案し、コンテンツに依存しない割り当て戦略を導いた。
私たちはそれが優れたパフォーマンスにつながることを実験的に示します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ever-growing adoption of Artificial Intelligence (AI) creates the need to deploy Deep Neural Networks in a variety of computational environments. We consider dynamic environments, where computational requirements are subject to change, and we pose the following question: How do we adjust the complexity of an AI classification system, in order to maximize its accuracy, while meeting changing computational constraints? We call this problem Budgeted Image Classification, and we formally formulate it as a resource allocation integer program. Given a computational budget, a batch of images, and a classification system that can make decisions with varying complexity (it has multiple decision points), we explore strategies to allocate images to decision points, in order to maximize accuracy within the available budget. The original integer program is NP-Hard, so, we propose a continuous relaxation, leading to a content-agnostic allocation strategy which assigns images to decision points without considering their particular content. We address this issue by proposing a content-sensitive strategy, that we experimentally show it leads to superior performance. We theoretically study the behavior of our strategies, deriving conditions that must be satisfied by decision points to be suitable for budgeted classification. We analyze fails cases, offering insights for future research directions.
- Abstract（参考訳）: 人工知能(AI)の採用は、さまざまな計算環境にディープニューラルネットワークをデプロイする必要性を増している。
我々は、計算要求が変更される動的な環境を考察し、次のような疑問を提起する。 計算制約の変更に対処しながら、その精度を最大化するために、AI分類システムの複雑さを調整するには、どうすればよいのか?
我々はこの問題をBudgeted Image Classificationと呼び、正式にリソース割り当て整数プログラムとして定式化する。
計算予算、画像のバッチ、および様々な複雑さで決定できる分類システム(複数の決定ポイントを持つ)が与えられた場合、利用可能な予算内での精度を最大化するために、決定ポイントに画像を割り当てる戦略を検討する。
元の整数プログラムはNP-Hardなので、コンテントに依存しないアロケーション戦略が提案される。
我々は、コンテンツに敏感な戦略を提案することでこの問題に対処し、優れたパフォーマンスをもたらすことを実験的に示す。
我々は、予算分類に適した判断ポイントで満たさなければならない条件を導出し、戦略の振る舞いを理論的に研究する。
我々はフェールケースを分析し、将来の研究の方向性について洞察を提供する。
関連論文リスト
- Min-Max Regret Task Allocation and Planning of Heterogeneous Multi-Robot System in Partially Known Environments [5.229463033279081]
本稿では,スケーラビリティを犠牲にすることなく,高レベルの論理的制約と環境不確実性を同時に扱う,堅牢な計画枠組みを提案する。
提案手法は,ロボットやタイプ数に関してほぼ直線的なスケーラビリティを実現し,ソリューションの品質と計算効率の両方においてMILPベースのベースラインを大幅に上回っていることを示す。
論文 参考訳（メタデータ） (2026-07-15T02:59:38Z) - Uncertainty-Aware Generation and Decision-Making Under Ambiguity [57.15357080072861]
本稿では,ベイズ決定理論とリスク逆決定法に基づく不確実性を考慮した意思決定アルゴリズムを提示し,評価する。
これらのアルゴリズムは世代別の有用性を向上させることができるが、あいまいさが高い場合には慎重に実装する必要があることを実証的に見出した。
論文 参考訳（メタデータ） (2026-06-29T17:20:43Z) - Algorithmic Feature Highlighting for Human-AI Decision-Making [2.7830690575074435]
我々は,人的配慮のためのケース特化機能の小さなサブセットを強調するアルゴリズムについて検討する。
中心的な問題は、人間がアルゴリズムのフィーチャの選択をどう解釈するかである。
洗練されたエージェントのハイライトを最適化することは、計算的に難解であることを示す。
論文 参考訳（メタデータ） (2026-04-24T05:23:06Z) - Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。
このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。
我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-10-07T17:49:24Z) - Causally Aligned Curriculum Learning [69.11672390876763]
本稿では、因果レンズによるカリキュラムRLの問題について検討する。
因果的に整合したソースタスクを特徴付ける十分なグラフィカルな条件を導出する。
因果整合型カリキュラムを生成するための効率的なアルゴリズムを開発した。
論文 参考訳（メタデータ） (2025-03-21T02:20:38Z) - Metareasoning in uncertain environments: a meta-BAMDP framework [1.0923877073891441]
正しい$P$を見つけることは、推論プロセスの空間上の最適化問題として表すことができる。
本稿では,未知の報酬/遷移分布を持つ環境におけるメタ推論を扱うメタベイズ適応型MDPフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-02T13:15:01Z) - Algorithms for learning value-aligned policies considering admissibility relaxation [1.8336820954218835]
価値認識工学の新たな分野は、ソフトウェアエージェントとシステムは価値を意識すべきである、と主張している。
本稿では,局所的なアライメントに基づく戦略のための$epsilontext-ADQL$と,一連の決定のための$epsilontext-CADQL$という2つのアルゴリズムを提案する。
干ばつシナリオにおいて,水分散問題における効率性を検証した。
論文 参考訳（メタデータ） (2024-06-07T11:10:07Z) - Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。
提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
論文 参考訳（メタデータ） (2024-05-07T17:44:54Z) - Decision-Dependent Risk Minimization in Geometrically Decaying Dynamic
Environments [20.344082468561734]
本稿では,意思決定者の行動に依存するデータ分布の予測損失問題について検討する。
意思決定者が第1次勾配オラクルを持つ情報設定のための新しいアルゴリズムを導入する。
これらのアルゴリズムは、SFparkの動的価格のパイロットスタディから得られた実世界のデータを用いて、半合成の例で評価される。
論文 参考訳（メタデータ） (2022-04-08T18:54:37Z) - Modularity in Reinforcement Learning via Algorithmic Independence in
Credit Assignment [79.5678820246642]
提案手法は, 事前決定の順序に対して, スパース変化のみを必要とする伝達問題に対して, 政策段階の手法よりも, より標本効率が高いことを示す。
我々は最近提案された社会的意思決定の枠組みをマルコフ決定プロセスよりもよりきめ細かい形式主義として一般化する。
論文 参考訳（メタデータ） (2021-06-28T21:29:13Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2019-10-14T09:18:26Z)
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。