文献

J-GLOBAL ID：202002273129140002   整理番号：20A2635971

AutoSimulate:合成データ生成の学習【JST・京大機械翻訳】

AutoSimulate: (Quickly) Learning Synthetic Data Generation

著者 (5件)： Behl Harkirat Singh (University of Oxford, Oxford, UK) ,  Baydin Atilim Guenes (University of Oxford, Oxford, UK) ,  Gal Ran (Microsoft Research, Redmond, USA) ,  Torr Philip H. S. (University of Oxford, Oxford, UK) ,  Vineet Vibhav (Microsoft Research, Redmond, USA)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12367  ページ： 255-271  発行年： 2020年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： シミュレーションは多くの機械学習問題において大きなラベル付きデータセットを生成するのにますます使用されている。最近の方法は,検証タスクに関する最大精度の目標を有するシミュレータパラメータの調整に焦点を合わせ,通常,REINFORCE様勾配推定子に依存する。しかしながら,これらのアプローチは,全データ生成,モデル訓練,および検証パイプラインをブラックボックスとして扱うので,非常に高価であり,各反復で複数の高価な客観的評価を必要とする。対象の新しい微分可能な近似に基づく最適合成データ生成のための効率的な代替を提案した。これにより,シミュレータの最適化が可能になり,これは非微分可能であり,わずかなオーバヘッドで各反復で1つの客観的評価のみを必要とする。提案手法は,従来手法よりも実世界テストデータセットにおいて,訓練データ生成が著しく減少し,精度が良好に,最適データ配信(最大50[数式:原文を参照])を見つける,最先端の光現実的なレンダリング者について実証した。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *シミュレータ ,  微分 ,  ブラックボックス ,  推定量 ,  レンダリング ,  機械学習
準シソーラス用語： 訓練データ ,  オーバヘッド ,  客観評価 ,  データ配信 ,  *データ生成 , 【Automatic Indexing@JST】

著者キーワード (5件)： 合成データ ,  訓練データ配布 ,  シミュレータ ,  最適化 ,  レンダリング

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (2件)： 合成データ ,  学習