モデル解釈可能性による深層アクティブ学習【JST・京大機械翻訳】

Liu Qiang; Liu Zhaocheng; Zhu Xiaofang; Xiu Yeliang

プレプリント

J-GLOBAL ID：202202206354486425 整理番号：22P0174440

モデル解釈可能性による深層アクティブ学習【JST・京大機械翻訳】

Deep Active Learning by Model Interpretability

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 (4件)： , , ,
資料名：
発行年： 2020年07月23日プレプリントサーバーでの情報更新日： 2020年09月06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)

しかし,様々な研究課題における深層ニューラルネットワーク(DNN)の最近の成功は,大量のラベル付きサンプルに大きく依存している。これは実世界アプリケーションにおいてかなりのアノテーションコストを必要とする。幸いことに,アクティブ学習は,最小アノテーションコストで高性能モデルを訓練するための有望な方法論である。深層学習文脈において,アクティブ学習の重大な問題は,DNNのためのサンプルの有益性を正確に同定する方法である。本論文では,DNNにおける区分的線形解釈可能性に触発され,アクティブ学習問題に対するサンプルの線形分離可能領域を導入し,モデル相互可能性(DAMI)による新しいディープアクティブ学習アプローチを提案した。全ラベルなしデータの最大代表性を保つために,DAMIは,DNNにおける区分的線形解釈性によって導入された異なる線形分離可能領域上のサンプルを選択し,ラベル付けすることを試みた。タブーラデータをモデル化するためのマルチライヤー知覚(MLP)のモデリングに焦点を当てた。具体的には,各サンプルの表現としてMLPにおける局所区分的解釈を使用し,直接K-Centerクラスタリングを行い,サンプルを選択しラベル付けした。注目すべきことに,DAMIのこの全体プロセスは,手動で調整するハイパーパラメータを必要としない。提案アプローチの有効性を検証するために,いくつかの表データセット上で広範な実験を行った。実験結果は,DAMIが,いくつかの最先端の比較手法よりも常に性能が優れていることを示した。【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