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。
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】