文献

J-GLOBAL ID：202102237889396668   整理番号：21A1145645

仮想敵対能動学習【JST・京大機械翻訳】

Virtual Adversarial Active Learning

著者 (2件)： Yu Chin-Feng (National Taiwan University of Science and Technology,Department of Computer Science and Information Engineering,Taipei,Taiwan) ,  Pao Hsing-Kuo (National Taiwan University of Science and Technology,Department of Computer Science and Information Engineering,Taipei,Taiwan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： Big Data  ページ： 5323-5331  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： 従来のアクティブ学習において,最もよく知られた戦略の一つは,アノテーションのための最も不確実なデータを選択することである。これにより,筆者らは,ラベル付けオラクルから取得できる限り,次の実行における訓練が,一度,情報ラベル付けデータが訓練に追加されるならば,この実行からのものよりはるかに効果的であることができるように,著者らは取得する。しかし,深層学習が支配的なモデリング技術の1つになるとき,戦略は適切でないかもしれない。深層学習は,敵対環境の下である程度の有効性を達成するのに失敗する。しばしば,著者らは,低い信頼度で結果を与える深い学習訓練空間におけるスパース性を見る。さらに,深い学習者へのいくつかの敵対的入力を持つために,前述の困難を扱うことができる能動的学習戦略を持つべきである。仮想敵対訓練(VAT)と局所分布粗さ(LDR)の計算に基づく新しいアクティブ学習戦略を提案した。決定境界に最も近いデータを選択する代わりに,事後確率によって測定するならば,粗い十分な表面を有する場所に位置するデータを選択した。仮想広告アクティブ学習(VAAL)と呼ばれる提案戦略は,粗い表面を有するデータを見つけるのを助けることができ,能動学習フレームワークのおかげで,滑らかな事後分布出力を持つモデルを再構成する。さらに,オラクルから注釈付けされた場合,十分な信頼度を持つラベル付けデータを選好する。VAALでは,正則化項として使用できるだけでなく,能動学習ラベリングのための貴重なサンプルを効果的にかつ能動的に選択するのを助けるVATを持つ。実験結果は,提案したVAAL戦略が,いくつかのよく知られたデータセットに効率的に収束する畳込みネットワークモデルを導くことができることを示した。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： 畳込み ,  *学習 ,  広告 ,  信頼度 ,  不確実性 ,  事後確率 ,  再構成 ,  正則化 ,  アノテーション
準シソーラス用語： *能動学習 ,  学習者 ,  スパース性 ,  ネットワークモデル ,  事後分布 ,  深層学習 , 【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 (3件)： 仮想 ,  敵対 ,  能動学習