抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
アクティブ学習は,どのサンプルが人間の教師がラベル付けに役立つかを予測することにより注釈コストを低減することを目的としている。しかし,最良の能動学習アルゴリズムは存在しない。良好な基準を構成する様々な哲学に触発されて,異なるアルゴリズムは異なるデータセットに対して良く機能する。これにより,与えられたシナリオにおいて,典型的にはマルチアーム化されたbanditアルゴリズムを介して,良好な基準を構成する能動学習者の集合に対する研究が動機付けられている。アルゴリズム集合はより良い結果に導くことができるが,それらはアルゴリズム有効性がデータセットを通して変化するだけでなく,単一能動学習セッションの間にも変化するという事実を見落とす。すなわち,最良の基準は非定常である。これは既存のアルゴリズムの保証を破壊し,実際にそれらの性能を妨げる。本論文では,より一般的で有望な研究方向として動的アンサンブル能動学習を提案した。著者らは,エキスパートアドバイスアルゴリズムを用いて,非定常マルチアーム化banditに基づく動的アンサンブル能動学習器を開発した。動的集合は,能動学習の各ステップで正しい基準を選択する。それは理論的保証を有し,13の一般的データセットに関する有望な結果を示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】