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。
ストリームベースアクティブ学習では,学習手続きはラベルなしデータインスタンスのストリームにアクセスし,それをラベル付けするかどうか,あるいはそれを訓練またはそれを捨てるのにそれを使用するかどうかについて決定しなければならない。最も有益なデータサンプルを同定および保持することによって,この設定における訓練に必要なラベル付きサンプルの数を最小化する試みをする多数のアクティブ学習戦略がある。これらのスキームの大部分はルールベースであり,不確実性の概念に依存し,データサンプルの距離が分類器の決定境界からどのように小さいかを捉える。最近,データから直接最適選択戦略を学習する試みがいくつかあるが,それらの多くはいくつかの理由でまだ一般的でない。1)特定の分類セットアップ,2)ルールベースメトリックスに依存する,3)それらは関連タスクに関するアクティブ学習者のオフライン予訓練を必要とする。本研究では,上記の限界に対処し,データから直接情報量測度を学習するオンラインストリームベースメタアクティブ学習法を提示し,関連するタスクに関するアクティブ学習者の事前訓練の必要のない分類問題の一般的クラスに適用できる。方法は,強化学習に基づき,モデル訓練と連動して,アクティブ学習者を訓練するために使用する,エピソード的政策探索と文脈的帯域アプローチを組み合わせた。本手法は,既存の最先端の方法よりも,訓練サンプルを効率的に選択するのを学習するいくつかの実際のデータセットについて示す。【JST・京大機械翻訳】