文献

J-GLOBAL ID：202102221613398309   整理番号：21A0443864

雑音のあるクラウドから教師付き機械学習モデルへのエンドツーエンド学習【JST・京大機械翻訳】

End-to-End Learning from Noisy Crowd to Supervised Machine Learning Models

著者 (5件)： Younesian Taraneh (TU Delft,Delft,the Netherlands) ,  Hong Chi (TU Delft,Delft,the Netherlands) ,  Ghiassi Amirmasoud (TU Delft,Delft,the Netherlands) ,  Birke Robert (ABB Research,Baden-Daettwil,Switzerland) ,  Chen Lydia Y. (TU Delft,Delft,the Netherlands)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CogMI  ページ： 17-26  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 実世界データセットのラベリングは時間がかかるが,教師つき機械学習モデルには不可欠である。共通の解決策は,クラウドソーシングを介して多数の非専門家労働者を横断してラベリングタスクを配布することである。群衆労働者の背景と経験の変化により,得られたラベルは,学習モデルに対して誤りと有害性が高い傾向がある。本論文では,ハイブリッドインテリジェンス,すなわち,深層モデルと人間エキスパートの組合せを用いて,特にオンラインシナリオにおいて,雑音の多いクラウドソースデータからエンドツーエンド学習フレームワークを設計した。まず,非専門家群衆からの雑音のあるラベルの課題に対処し,複数の注釈者から学習する最先端のソリューションを要約した。ラベル集約が学習プロセスを改善するために,注釈者の混乱行列を推定することから利益を得ることができることを示した。さらに,エキスパートラベルと分類器の支援により,最終分類精度を高めるために,高度に有益なサンプルの凝集ラベルを洗浄した。SVMと深層ニューラルネットワークを用いて,いくつかの画像データセット,すなわちUCIとCIFAR-10に対する著者らの戦略の有効性を実証した。この評価は,混乱行列推定によるオンラインラベル集約が,ラベルの誤り率を30%以上低減することを示した。さらに,専門家の結果を用いたデータの10%だけの再ラベリングは,SVMによる90%以上の分類精度をもたらした。Copyright 2021 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】

シソーラス用語： 凝集 ,  *雑音 ,  *学習 ,  *学習モデル ,  労働者 ,  有害性 ,  *エンドツーエンド方式 ,  誤り率 ,  深層 ,  有効性 ,  カオス ,  アノテーション
準シソーラス用語： 分類精度 ,  オンライン ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 雑音 ,  クラウド ,  教師付き機械学習 ,  モデル ,  エンドツーエンド ,  学習