論文の概要: Active Learning for Finding a Needle in a Haystack

• arxiv url: http://arxiv.org/abs/2610.15165v1
• Date: Sat, 10 Oct 2026 20:30:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 02:17:09.5914
• Title: Active Learning for Finding a Needle in a Haystack
• Title（参考訳）: ヘイスタック内の針を見つけるためのアクティブラーニング
• Abstract要約: 希少な文書のクラスを見つけるために分類器を訓練するには、取得に費用がかかるラベル付き例が必要となる。 アクティブラーニングは、このコストを削減するが、ターゲットクラスの例を含む初期ラベル付きセットから始める必要がある。 能動的学習がこのバイアスを補正できるかどうかを評価する。
• 参考スコア（独自算出の注目度）: 3.5066696167442775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training a classifier to find a rare class of documents, such as hate speech directed at a particular religious group, requires labelled examples that are expensive to obtain when the class makes up only a small fraction of a corpus. Active learning reduces this cost, but it must start from an initial labelled set that contains examples of the target class. Random sampling cannot supply these at reasonable cost, so they must be selected in some other way, such as keyword search, and any such selection biases the initial set towards part of the target class. We evaluate whether active learning can correct this bias. On AG News and Measuring Hate Speech, at a prevalence of around 1%, we compare random sampling with eight active learning strategies, starting from initial sets that cover or omit known subgroups of the target class, and measure recall on the omitted subgroups as well as F1. On AG News, almost every strategy recovers the omitted subgroup. On Measuring Hate Speech, uncertainty-based strategies recover less of the omitted subgroups than random sampling, whereas discriminative active learning recovers 55% of them without a significant loss of F1. Aggregate metrics conceal these differences.
• Abstract（参考訳）: 特定の宗教団体に向けられたヘイトスピーチのような稀な文書のクラスを見つけるために分類器を訓練するには、クラスがコーパスのごく一部を構成する場合、取得するのに高価なラベル付き例が必要である。 アクティブラーニングは、このコストを削減するが、ターゲットクラスの例を含む初期ラベル付きセットから始める必要がある。 ランダムサンプリングは適切なコストでこれらを供給できないため、キーワード検索などの他の方法で選択する必要がある。 能動的学習がこのバイアスを補正できるかどうかを評価する。 AGニュースとヘイトスピーチの測定では、約1%の頻度で、ターゲットクラスの既知のサブグループをカバーまたは省略する初期セットから始まり、削除されたサブグループとF1のリコールを計測する8つのアクティブな学習戦略とランダムサンプリングを比較した。 AG Newsでは、ほぼすべての戦略が省略されたサブグループを回復する。 ヘイトスピーチの測定において、不確実性に基づく戦略はランダムサンプリングよりも欠落したサブグループの回復率が低いのに対して、識別能学習はF1を著しく失うことなく55%を回復する。 メトリクスの集約は、これらの違いを隠蔽します。

関連論文リスト

• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• Probably Approximately Precision and Recall Learning [60.00180898830079]
  機械学習における重要な課題は、一方的なフィードバックの頻度である。 本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。 我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• Minimax Group Fairness in Strategic Classification [8.250258160056514]
  戦略的分類において、エージェントは、学習者の分類器から肯定的な分類結果を受け取るために、その特徴をコストで操作する。 精度保証に加えて,グループフェアネス保証を有する学習目標について検討する。 我々は、複数のグループからなるエージェントの集団間のフェアネスを意識したスタックルバーグゲームを形式化し、各グループは独自のコスト関数を持つ。
  論文  参考訳（メタデータ） (2024-10-03T14:22:55Z)
• Liberating Seen Classes: Boosting Few-Shot and Zero-Shot Text Classification via Anchor Generation and Classification Reframing [38.84431954053434]
  短いショットとゼロショットのテキスト分類は、ラベル付きサンプルやラベル付きサンプルが全くない新しいクラスからのサンプルを認識することを目的としている。 少数ショットとゼロショットのテキスト分類のためのシンプルで効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-06T15:38:32Z)
• A Universal Unbiased Method for Classification from Aggregate Observations [115.20235020903992]
  本稿では,任意の損失に対する分類リスクを非バイアスで推定するCFAOの普遍的手法を提案する。 提案手法は,非バイアスリスク推定器によるリスクの整合性を保証するだけでなく,任意の損失に対応できる。
  論文  参考訳（メタデータ） (2023-06-20T07:22:01Z)
• The Group Loss++: A deeper look into group loss for deep metric learning [65.19665861268574]
  グループ損失 (Group Loss) は、グループの全サンプルに埋め込まれた類似性を強制する微分可能なラベルプロパゲーション法に基づく損失関数である。 4つのデータセットでクラスタリングと画像検索の最先端結果を示し、2人の再識別データセットで競合結果を示す。
  論文  参考訳（メタデータ） (2022-04-04T14:09:58Z)
• False membership rate control in mixture models [1.387448620257867]
  クラスタリングタスクは、サンプルの要素を均質なグループに分割する。 教師付き設定では、このアプローチはよく知られており、禁忌オプションの分類として言及されている。 本稿では, 教師なし混合モデルフレームワークで再検討し, 偽会員率が予め定義された名目レベルを超えないことを保証する手法を開発することを目的とする。
  論文  参考訳（メタデータ） (2022-03-04T22:37:59Z)
• Cold Start Active Learning Strategies in the Context of Imbalanced Classification [1.86368098450854]
  コールドスタートステージの解決策を提供するための,新しいアクティブラーニング戦略を提案する。 特に、我々のアクティブな学習イテレーションは、要素スコアを用いたラベルの不足と不均衡に対処します。 本手法は,少数層からのサンプルのリコールを促進することによって,クラス不均衡に効果的に対応することを示す。
  論文  参考訳（メタデータ） (2022-01-25T10:35:14Z)

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。