論文の概要: From Human Corrections to Learned Segmentations: A Critical Mathematical Review of Information, Learning, and Human Effort

• arxiv url: http://arxiv.org/abs/2610.20396v1
• Date: Wed, 14 Oct 2026 16:00:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.243247
• Title: From Human Corrections to Learned Segmentations: A Critical Mathematical Review of Information, Learning, and Human Effort
• Title（参考訳）: 人間の矯正から学習セグメンテーションへ:情報・学習・人間の努力の批判的数学的考察
• Abstract要約: レビューは選択、学習者のアップデート、評価を通じてフィードバックに従う。 アクティブラーニング、機械教育、インタラクティブセグメンテーション、予測シーケンシャル評価を比較する。 研究の優先事項は、どのような選択が現れるか、それが同化を改善するかどうか、そして結果の相互作用ポリシーが一致した努力でセグメンテーションの恩恵を受けるかどうかをテストすることである。
• 参考スコア（独自算出の注目度）: 0.8460698440162889
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When does a human correction become useful learning, and what establishes better segmentation at matched human effort? This critical narrative review follows feedback through its selection, learner update, and evaluation. It compares active learning, machine teaching, interactive segmentation, and sequential predictive evaluation using a common mathematical account of target information, predictive error, response predictability, and human work. An exact Bayesian update converts evaluation-label information into expected log-loss improvement; an excess-risk decomposition explains what an approximate learner can lose. Conditional information decompositions separate the roles of selected locations, labels, and displayed context. Empirical comparisons show why response protocols, update mechanisms, and effort denominators matter, distinguishing current-mask refinement from reusable learning and simulated interaction from human evidence. We identify what logs can reveal, what requires independent evaluation, and what remains model-dependent. The resulting research priorities are to test what selection reveals, whether using it improves assimilation, and whether the resulting interaction policy benefits segmentation at matched effort. These are distinct claims: predicting a teacher's responses need not identify human intentions or establish better learning. No new acquisition algorithm or empirical superiority is claimed.
• Abstract（参考訳）: 人間の修正はいつ役に立つ学習になるのか、そして、一致した人間の努力でより良いセグメンテーションを確立するものは何か? この批判的な物語レビューは、選択、学習者更新、評価を通じてフィードバックに従う。 アクティブラーニング、機械教育、対話的セグメンテーション、および、目標情報、予測誤差、応答予測可能性、人間の作業の一般的な数学的説明を用いた逐次予測評価を比較する。 正確なベイジアン更新は、評価ラベル情報を期待されるログロスの改善に変換する;過剰リスク分解は、近似学習者が失うことができるものを説明する。 条件情報の分解は、選択された場所、ラベル、表示されたコンテキストの役割を分離する。 実験的な比較は、なぜ応答プロトコル、更新メカニズム、努力分母が重要なのかを示し、現在のマスクの改良と再利用可能な学習と、人間の証拠とのシミュレートされた相互作用を区別する。 ログが公開できるもの、独立評価が必要なもの、モデルに依存していないものを特定します。 結果として得られる研究の優先順位は、どのような選択が現れるか、それが同化を改善するかどうか、そして結果の相互作用ポリシーが一致した努力でセグメンテーションに利益をもたらすかどうかをテストすることである。 教師の反応を予測することは、人間の意図を特定したり、より良い学習を確立する必要はない。 新たな取得アルゴリズムや経験的優位性は主張されない。

関連論文リスト

• Existing Large Language Model Unlearning Evaluations Are Inconclusive [105.55899615056573]
  いくつかの評価では、モデルにかなりの新しい情報を導入し、真の未学習のパフォーマンスを隠蔽する可能性があることを示す。 評価結果はタスクによって大きく異なることを示し、現在の評価ルーチンの一般化性を損なうことを示した。 今後の未学習評価には,情報注入の最小化とタスク認識のダウンストリームという2つの原則を提案する。
  論文  参考訳（メタデータ） (2025-05-31T19:43:00Z)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• Boosting Feedback Efficiency of Interactive Reinforcement Learning by Adaptive Learning from Scores [11.702616722462139]
  本稿では,対話型強化学習のフィードバック効率を向上させるために,対の選好の代わりに人間が提供するスコアを利用する新しい手法を提案する。 提案手法は,相互選好学習法と比較して,フィードバックを少なくしながら,スコアから適応学習することで,最適に近いポリシーを効率的に学習できることを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:12:15Z)
• 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)
• Active Learning of Ordinal Embeddings: A User Study on Football Data [4.856635699699126]
  人間は本来、未知の類似性関数を使用してラベル付けされていないデータセットのインスタンス間の距離を計測する。 この研究はディープ・メトリック・ラーニングを使用して、大規模なフットボールの軌跡データセットのアノテーションからユーザ定義の類似性関数を学習する。
  論文  参考訳（メタデータ） (2022-07-26T07:55:23Z)
• Learning Disentangled Textual Representations via Statistical Measures of Similarity [35.74568888409149]
  トレーニングを必要としない不整合表現を学習するための正規化器のファミリーを導入する。 我々の新しい正規化器は、追加のトレーニングを必要とせず、より速く、追加のチューニングを伴わない。
  論文  参考訳（メタデータ） (2022-05-07T08:06:22Z)
• A framework for predicting, interpreting, and improving Learning Outcomes [0.0]
  本研究では,学生の観察的,行動的,受験的特徴に基づいて,テストスコアを予測するEmbibe Score Quotient Model(ESQ)を開発した。 ESQは、学生の将来的な採点可能性の予測や、個別の学習ナッジの提供に使用することができる。
  論文  参考訳（メタデータ） (2020-10-06T11:22:27Z)

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。