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。
テキスト分類システムを作成するとき,主要なボトルネックの1つは訓練データの注釈である。アクティブ学習は,データアノテーションのコストを最小化するために停止法を用いてこのボトルネックに対処するために提案されている。停止法の有用性を改善するための重要な能力は,テキスト分類モデルの性能を効果的に予測することである。予測は,学習が進行中のデータの一部に回帰した対数モデルの使用を通して行うことができる。重要な調査されていない疑問は,データの一部が正確な予測に必要であることである。予測がより役に立つように,より多くのデータを使用することが望ましいように,より少ないデータを使用することが望ましい張力があるので,予測がより正確であるように,より多くのデータを使用することが望ましい。著者らは,アクティブ学習を用いるとき,それらをより有用にし,廃棄物アノテーション努力を行わないように,より早く予報を生成することがさらに重要であることを見出した。テキスト分類システム性能指標として精度とF測度を用いた場合の予測困難性の差を調べ,F測度が予測が困難であることを見出した。異なる特性を有する異なる意味領域における7つのテキスト分類データセットと3つの異なるベース機械学習アルゴリズムを用いて実験を行った。著者らは,予測が決定木学習,サポートベクトルマシンに対して中程度,およびニューラルネットワークに対して最も困難であることを見出した。Copyright 2020 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】