高速で3つのRous:三重項法による弱い監視の高速化【JST・京大機械翻訳】

Fu Daniel Y.; Chen Mayee F.; Sala Frederic; Hooper Sarah M.; Fatahalian Kayvon; Re Christopher

プレプリント

J-GLOBAL ID：202202205517817240 整理番号：22P0116753

高速で3つのRous:三重項法による弱い監視の高速化【JST・京大機械翻訳】

Fast and Three-rious: Speeding Up Weak Supervision with Triplet Methods

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2020年02月27日プレプリントサーバーでの情報更新日： 2020年07月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

弱い監視は,グランドトルースアノテーションに頼らず,機械学習モデルを構築するための一般的な方法である。その代りに,多重雑音ラベリング源(例えば,発見的,群衆労働者)の精度を推定することにより,確率的訓練ラベルを生成する。既存の手法は,雑音源をモデル化するために潜在変数推定を使用するが,これらの方法は計算的に高価であり,データにおいて超線形的にスケーリングできる。本研究では,弱い監視に高度に適用可能な一種の潜在変数モデルに対して,確率勾配降下(SGD)のような反復解の必要性を逸脱する,モデルパラメータに対する閉形式解を見つけることができることを示す。この洞察を用いて,以前の弱い監督手法よりも数桁速く実行され,より少ない仮定を必要とする弱い監督フレームワークである,FriedSquidを構築した。特に,潜在変数モデルが根底にあるデータ分布を厳密にパラメータ化できると仮定して,一般化誤差に関する限界を証明した。経験的に,ベンチマーク弱監督データセット上でFriedSquidを検証し,SGD手続きを調整する必要のない以前の手法と比較して,同じかより高い品質を達成し,平均で170倍速くモデルパラメータを復元し,新しいビデオ解析とオンライン学習アプリケーションを可能にすることを見出した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

人工知能 , パターン認識

前のページに戻る