論文の概要: Towards optimal selection schedules for online active learning
- arxiv url: http://arxiv.org/abs/2610.23477v1
- Date: Fri, 16 Oct 2026 13:54:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.944907
- Title: Towards optimal selection schedules for online active learning
- Title（参考訳）: オンラインアクティブラーニングのための最適選択スケジュールに向けて
- Abstract要約: 本稿では,未ラベルサンプルのストリームが利用可能であり,アノテーションが高価であるオンライン線形分類の問題点について考察する。
サンプルをラベル付けしてトレーニングステップに使用するか,あるいは破棄するかを規定する,最適なクエリポリシについて検討する。
- 参考スコア（独自算出の注目度）: 11.463698665959582
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of online linear classification, where a stream of unlabeled samples is available, and annotation is costly. We investigate the optimal query policy, that prescribes whether and when a sample should be labeled and used for a training step, or instead discarded, so as to minimize a given objective. We focus on the realizable case, under Gaussian design, in the high-dimensional regime where data dimension and number of unlabeled samples grow proportionally. We consider two objectives: 1) the generalization error under a labeling budget, and 2) a cumulative cost function where mistakes have unit cost and queries cost $Δ$. We first show that the myopic policies that greedily minimize at all times the increment in the objective correspond to either small or intermediate-margin policies, that prescribe the selection of samples whose margins fall within certain intervals that shrink with time. Within this class, we numerically ascertain the optimal schedules for the selection thresholds that minimize the final values of the objectives. Taking inspiration from the myopic policy for the cumulative cost, we design a very simple query policy schedule that we compare to other proposed heuristics, on synthetic data and real medical image datasets. Finally, we discuss myopic policies for two-layer neural networks, and exemplify how naive margin-based policies can cease to be optimal.
- Abstract（参考訳）: 本稿では,未ラベルサンプルのストリームが利用可能であり,アノテーションが高価であるオンライン線形分類の問題点について考察する。
我々は,サンプルをラベル付けしてトレーニングステップに使用するか,あるいは破棄するかを規定する最適なクエリポリシーを調査し,与えられた目的を最小化するために検討する。
ガウス設計の下では、データ次元とラベルなしサンプルの数が比例的に増加する高次元状態において、実現可能なケースに焦点を当てる。
私たちは2つの目的を考えます。
1 ラベル付予算による一般化誤差及び
2) ミスの単位コストとクエリが$Δ$である累積コスト関数。
まず、目的の増分を常に極力最小化する筋電図政策は、時間とともに縮む一定の間隔で、マージンが減少するサンプルの選択を規定する、小または中間マージン政策のいずれかに対応していることを示す。
このクラスでは、目的の最終的な値を最小限に抑えるため、選択しきい値の最適スケジュールを数値的に確認する。
累積コストのミオピックポリシからインスピレーションを得て、我々は、合成データと実際の医療画像データセットに基づいて、他の提案されたヒューリスティックスと比較した非常に単純なクエリポリシースケジュールを設計する。
最後に,2層ニューラルネットワークの筋電図ポリシについて論じるとともに,ナイーブマージンベースのポリシがいかに最適でなくなるかを実証する。
関連論文リスト
- Task-to-Model Optimization for Enterprise LLM Coding Assistants: A Data-Driven Framework for Cost-Optimal Routing [5.00725149774706]
エンタープライズAIコーディングアシスタントは、相当な推論費用を発生させ、トークンコストの最小化は、再試行、エスカレーション、開発者待ち時間を含むと、エンドツーエンドコストの削減に失敗することが多い。
実運用におけるモデル選択を最適化するためのデータ駆動手法であるタスク・ツー・モデル最適化(T2MO)を提案する。
私たちは、各開発者セッションを、発見、分類、難易度を評価、プロダクション風のハーネスでベンチマークし、品質とレイテンシの制約の中でそれを完了できる最も安価なモデルにルーティングできるタスクとして扱います。
論文 参考訳（メタデータ） (2026-08-09T06:57:53Z) - Non-Stationary Online Resource Allocation: Learning from a Single Sample [5.81028169940199]
最低限のオフラインデータ要求で,非定常要求下でのオンラインリソース割り当てについて検討する。
本稿では,この問題をモジュラーコンポーネントに分解する,型依存型量子型メタ政治を提案する。
論文 参考訳（メタデータ） (2026-02-20T10:07:35Z) - Quantile-Optimal Policy Learning under Unmeasured Confounding [55.72891849926314]
ここでは,報酬分布が (0, 1) で最大$alpha$-quantileを持つポリシーを見つけることを目標とする量子最適政策学習について検討する。
このような問題は、(i)報酬分布の関数としての量子目標の非線形性、(ii)未観測の共起問題、(iii)オフラインデータセットのカバー不足という3つの大きな課題に悩まされている。
論文 参考訳（メタデータ） (2025-06-08T13:37:38Z) - Deep Minimax Classifiers for Imbalanced Datasets with a Small Number of Minority Samples [5.217870815854702]
本稿では,最低性能クラスのリスクを最小限に抑えるために,新しいミニマックス学習アルゴリズムを提案する。
提案アルゴリズムは証明可能な収束特性を有しており,提案アルゴリズムは既存手法に匹敵する性能を示した。
論文 参考訳（メタデータ） (2025-02-24T08:20:02Z) - Experiment Planning with Function Approximation [49.50254688629728]
本研究では,文脈的帯域幅問題における関数近似を用いた実験計画の問題点について検討する。
本稿では,関数近似に適合する2つの実験計画戦略を提案する。
そこで, 均一サンプリング器は, 動作数が少ない設定において, 競合最適性を達成できることを示す。
論文 参考訳（メタデータ） (2024-01-10T14:40:23Z) - Active Learning For Contextual Linear Optimization: A Margin-Based Approach [6.09977411428684]
ラベル取得アルゴリズムを導入し、ラベルなしデータからラベルの特徴サンプルの要求を逐次決定する。
ラベルが取得されたサンプルの数として定義されるラベル複雑性の上限を導出する。
提案アルゴリズムは,教師付き学習手法よりもラベルの複雑さがはるかに小さいことを示す。
論文 参考訳（メタデータ） (2023-05-11T05:44:36Z) - Online Selective Classification with Limited Feedback [82.68009460301585]
オンライン学習モデルにおいて、予測者がインスタンスの分類を控える可能性のある選択的分類について検討する。
私たちが考慮している設定の健全な2つの側面は、データが不可避である可能性があるため、データは不可避である可能性があるということです。
smash$tildeO(T1-mu)$ over abstention against Adaptive adversaries. smash$tildeO(T1-mu)$ incurring smash$tildeO(T1-mu)$ over abstention。
論文 参考訳（メタデータ） (2021-10-27T08:00:53Z) - Sparse Feature Selection Makes Batch Reinforcement Learning More Sample
Efficient [62.24615324523435]
本稿では,スパース線形関数近似を用いた高次元バッチ強化学習(RL)の統計的解析を行う。
候補となる機能が多数存在する場合,提案手法がバッチRLをより効率的にサンプリングできるという事実に光を当てる。
論文 参考訳（メタデータ） (2020-11-08T16:48:02Z) - Optimal Off-Policy Evaluation from Multiple Logging Policies [77.62012545592233]
我々は,複数のロギングポリシからオフ政治評価を行い,それぞれが一定のサイズ,すなわち階層化サンプリングのデータセットを生成する。
複数ロガーのOPE推定器は,任意のインスタンス,すなわち効率のよいインスタンスに対して最小分散である。
論文 参考訳（メタデータ） (2020-10-21T13:43:48Z) - Minimax-Optimal Off-Policy Evaluation with Linear Function Approximation [49.502277468627035]
本稿では,関数近似を用いたバッチデータ強化学習の統計的理論について検討する。
記録履歴から新たな対象政策の累積値を推定するオフ・ポリティクス評価問題を考察する。
論文 参考訳（メタデータ） (2020-02-21T19:20:57Z) - Adaptive Covariate Acquisition for Minimizing Total Cost of
Classification [7.893831644671974]
分類と誤分類のコストを最小限に抑える方法を提案する。
提案手法は, 従来手法と比較して低コストであることを示す。
提案手法は, 偽発見率を最小化しながら, ターゲットリコールを実現するものであることを確認した。
論文 参考訳（メタデータ） (2020-02-21T07:30:52Z)
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。