論文の概要: Forgetting to Improve: Principled Data Removal in Active Learning

• arxiv url: http://arxiv.org/abs/2611.04054v1
• Date: Mon, 02 Nov 2026 22:50:56 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:29:40.359177
• Title: Forgetting to Improve: Principled Data Removal in Active Learning
• Title（参考訳）: 改善を忘れる - アクティブラーニングにおける原則的データ削除
• Abstract要約: 本稿では,タスクをモデリングフレームワークに組み込むことにより,この相違を解消する手法を提案する。 私たちの重要な洞察は、モデルミスマッチのシナリオでは、データは特定のタスクのモデリングに有害な影響を及ぼす可能性があることを認めることです。 そこで本研究では,ガウス過程モデルに対する影響関数を提案する。
• 参考スコア（独自算出の注目度）: 37.297170405346634
• License:
• Abstract: The uncertainty of a statistical model is most commonly factorized into an aleatoric and an epistemic part. This factorization changes how predictions are interpreted in downstream decision tasks. Importantly, except for the idealistic scenario with no model mismatch, the quantification is a characteristic of the model and not the data generating process. In this paper, we propose Forgetting to Improve a method that reduces this discrepancy by incorporating the task into the modeling framework. Our key insight is to acknowledge that in scenarios of model mismatch, data can have a detrimental effect on the modeling for a specific task. Based on this insight, we propose an influence function for Gaussian process models that allows for principled removal of detrimental data samples. We showcase the flexibility of this approach by demonstrating significant improvements across a range of tasks, including Bayesian optimization, model-based reinforcement learning, and transductive learning.
• Abstract（参考訳）: 統計モデルの不確実性は、最も一般的に、動脈とてんかんの部位に分解される。 この分解は、下流の意思決定タスクで予測がどのように解釈されるかを変える。 重要なことは、モデルミスマッチのない理想主義シナリオを除いて、量子化はデータ生成プロセスではなくモデルの特徴である。 本稿では,モデリングフレームワークにタスクを組み込むことにより,この相違を解消する手法を提案する。 私たちの重要な洞察は、モデルミスマッチのシナリオでは、データは特定のタスクのモデリングに有害な影響を及ぼす可能性があることを認めることです。 そこで本研究では,ガウス過程モデルに対する影響関数を提案する。 本稿では,ベイズ最適化,モデルベース強化学習,トランスダクティブ学習など,様々なタスクにまたがる大幅な改善を示すことによって,このアプローチの柔軟性を示す。

関連論文リスト

• Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
  拡散モデルは、生成的モデリングに大きな進歩をもたらした。 しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。 これらの課題に対処するための影響関数フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-10-17T17:59:02Z)
• Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
  低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。 本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。 低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
  論文  参考訳（メタデータ） (2024-05-28T20:43:53Z)

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。