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。
データストリーム分類は機械学習の分野で重要な問題である。時間(概念ドリフト)の根底にある分布が変化するデータの非定常性のために,モデルは新しいデータ統計に連続的に適応する必要がある。ストリームベースアクティブ学習(AL)手法は,限られた予算の中で,最も最近のサンプルのための新しいデータラベルを提供するために,人間エキスパートを対話的に質問することによってこの問題に対処した。既存のAL戦略は,ラベルがすぐに利用できると仮定し,一方,実世界シナリオでは,専門家は質問ラベル(検証待ち時間)を提供する時間を必要とし,また,要求されたラベルがそれらに到着するのは,もはや関連しないかもしれない。本論文では,ALアプローチに対する概念ドリフトの存在において,有限,時間変数および未知の検証遅延の影響を調べた。PRopagate(PR)を提案するが,これはまた,要求されたが,まだ知られていないラベルを予測する,待ち時間に依存しないユーティリティ推定子である。さらに,ドリフト依存動的予算戦略を提案し,検出ドリフト後,時間にわたるラベリング予算の可変分布を用いた。合成と実世界の非定常データセット,および検証待ち時間と予算の異なる設定の両方を用いて,徹底的な実験評価を行い,解析した。提案手法は最先端技術よりも一貫して優れていることを経験的に示した。さらに,時間における可変予算割当により,AL戦略の性能を高めることができ,全体のラベル付け予算を増加できないことを示した。【JST・京大機械翻訳】