論文の概要: Multi-Task Active Learning with Efficient Resource Allocation

• arxiv url: http://arxiv.org/abs/2610.07045v1
• Date: Mon, 05 Oct 2026 01:17:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.531713
• Title: Multi-Task Active Learning with Efficient Resource Allocation
• Title（参考訳）: 効率的な資源配分によるマルチタスクアクティブラーニング
• Abstract要約: 多くの科学的研究は、データラベリング中に高価な補助情報を収集するが、配備時には収集しない。 コスト適応型タスクリソースアロケーション(ALCATRA)を用いたアクティブラーニングを導入する。 ALCATRAは2つの主要なコンポーネントから構成されており、未ラベルデータに対してコスト効率の高い一連のタスクを戦略的に選択するタスク選択ポリシーと、完成したタスクから知識を伝達してモデル予測を強化するサロゲート学習手順である。
• 参考スコア（独自算出の注目度）: 1.0743633102172234
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many scientific studies allow costly auxiliary information to be collected during data labeling but not at deployment. Examples include diagnostic tests, laboratory assays, and expert evaluations. We study prediction under this deployment asymmetry, where auxiliary variables are selectively acquired during labeling under a budget constraint but systematically unavailable at prediction time, creating a missing-by-design problem that couples data acquisition, surrogate construction, and prediction. In this work, we introduce Active Learning with Cost-Adaptive Task Resource Allocations (ALCATRAs), a unified framework for selectively acquiring auxiliary information under resource constraints and leveraging that information to improve downstream prediction. ALCATRAs consists of two main components: a task-selection policy which strategically selects a sequence of cost-effective tasks for unlabeled data to perform, and a surrogate learning procedure which transfers knowledge from completed tasks to enhance model predictions. In theory, we show the effectiveness of surrogate models and sample-efficient task policies in improving the model's prediction error bound. Simulation studies and an application to the UCI heart disease cohort demonstrate improved sample efficiency of the proposed ALCATRAs framework relative to baselines under the studied settings.
• Abstract（参考訳）: 多くの科学的研究は、データラベリング中に高価な補助情報を収集するが、配備時には収集しない。 例えば、診断検査、検査、専門家の評価などがある。 本研究では、予算制約の下でラベル付け中に補助変数を選択的に取得するが、予測時に体系的に利用できないような配置非対称性下での予測について検討する。 本研究では、資源制約下で補助情報を選択的に取得し、その情報を利用して下流予測を改善する統合フレームワークであるALCATRAs(Active Learning with Cost-Adaptive Task Resource Allocations)を紹介する。 ALCATRAは2つの主要なコンポーネントから構成されており、未ラベルデータに対してコスト効率の高い一連のタスクを戦略的に選択するタスク選択ポリシーと、完了したタスクから知識を伝達してモデル予測を強化するサロゲート学習手順である。 理論的には、モデルの予測誤差境界を改善するために、サロゲートモデルとサンプル効率のタスクポリシーの有効性を示す。 UCI心疾患コホートに対するシミュレーション研究と応用により,提案したALCATRAsフレームワークのベースラインに対する試料効率が改善された。

関連論文リスト

• Entropy-Based Data Selection for Language Models [12.922021171941216]
  現代の言語モデル(LM)は、計算資源とデータ資源という2つの重要なリソースを必要としている。 データ選択技術は、微調整LMに必要なトレーニングデータの量を効果的に削減することができる。 本研究では,効率的なデータ選択のためのEntropy-based Unsupervised Data Selection (EUDS) フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-19T15:29:34Z)
• Table Detection with Active Learning [1.9881456274482427]
  アクティブラーニングは、最も有益なサンプルを選択することで、アノテーションコストを最小限に抑える、有望なソリューションである。 提案手法は,モデル一般化を改善する代表例の選択を保証する。 その結果,ALに基づくサンプル選択は,ランダムサンプリングよりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-09-24T11:22:30Z)
• Technical Report: Facilitating the Adoption of Causal Inference Methods Through LLM-Empowered Co-Pilot [44.336297829718795]
  CATE-Bは,大規模言語モデル(LLM)をエージェントフレームワーク内で使用して,治療効果推定を通じてユーザを誘導する,オープンソースのコパイロットシステムである。 CATE-B は (i) 因果発見と LLM に基づくエッジオリエンテーションによる構造因果モデルの構築、 (ii) 因果構造とデータセット特性に適合した適切な回帰方法を選択することによるロバストな調整セットの同定を支援する。
  論文  参考訳（メタデータ） (2025-08-14T12:20:51Z)
• Active learning for regression in engineering populations: A risk-informed approach [0.0]
  回帰は、データ中心のエンジニアリングアプリケーションで一般的な基本的な予測タスクである。 アクティブラーニング(英: Active Learning)は、リソース効率のよい特徴ラベルペアを優先的に取得する手法である。 提案手法は, 予測性能を維持しつつ, 必要な検査回数を削減し, 予測コストの観点から優れた性能を有することを示す。
  論文  参考訳（メタデータ） (2024-09-06T15:03:42Z)
• Learn from the Learnt: Source-Free Active Domain Adaptation via Contrastive Sampling and Visual Persistence [60.37934652213881]
  ドメイン適応(DA)は、ソースドメインから関連するターゲットドメインへの知識伝達を容易にする。 本稿では、ソースデータフリーなアクティブドメイン適応(SFADA)という実用的なDAパラダイムについて検討する。 本稿では,学習者学習(LFTL)というSFADAの新たなパラダイムを紹介し,学習した学習知識を事前学習モデルから活用し,余分なオーバーヘッドを伴わずにモデルを積極的に反復する。
  論文  参考訳（メタデータ） (2024-07-26T17:51:58Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Composite Learning for Robust and Effective Dense Predictions [81.2055761433725]
  マルチタスク学習は、目標タスクを補助タスクと協調的に最適化することで、より優れたモデル一般化を約束する。 自己監督型(補助的)タスクと密接な予測(目標)タスクを共同でトレーニングすることで、目標タスクの性能を継続的に向上し、補助タスクのラベル付けの必要性を排除できることが判明した。
  論文  参考訳（メタデータ） (2022-10-13T17:59:16Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)
• Practical Annotation Strategies for Question Answering Datasets [44.405498237885354]
  そこで本研究では,ドメイン内および外部の両方のパフォーマンスを維持しつつ,アノテーションのコストを削減できるように,サブセットのアノテートのためのルールを開発する。 当社の作業は,予算のラベル付けが限定され,QAデータセットのアノテートに要する推奨がよりコスト効率良く必要となる場合に,現実的な要求を満たす。
  論文  参考訳（メタデータ） (2020-03-06T14:25:50Z)

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。