誤った予測サンプルの同定:能動的学習のための方法【JST・京大機械翻訳】

Aljundi Rahaf; Chumerin Nikolay; Reino Daniel Olmeda

プレプリント

J-GLOBAL ID：202202212331389414 整理番号：22P0200176

誤った予測サンプルの同定:能動的学習のための方法【JST・京大機械翻訳】

Identifying Wrongly Predicted Samples: A Method for Active Learning

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 (3件)： , ,
資料名：
発行年： 2020年10月14日プレプリントサーバーでの情報更新日： 2020年10月14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)

最先端の機械学習モデルは,性能の望ましいレベルを達成するために,大量の注釈付きデータへのアクセスを必要とする。ラベルなしデータは主に利用可能であり,豊富ではあるが,アノテーションプロセスは極めて高価で制限できる。あるサンプルが他よりも与えられたタスクに対して重要であるという仮定の下で,アクティブ学習は,注釈を獲得すべき最も有益なサンプルを同定する問題を目標とする。新しい未知ラベルを利用するためのプロキシとしてのモデル不確実性に対する従来の依存の代わりに,本研究では,不確実性を越えて移動する簡単なサンプル選択基準を提案した。最初にモデル予測を受け入れて,次に一般化誤差に及ぼす影響を判断することによって,著者らは誤って予測されたサンプルをより良く同定することができた。さらに,非常に効率的であり,類似性ベースの解釈を提供する基準に対する近似を提示した。アクティブ学習の標準ベンチマークに関する著者らの方法の評価に加えて,カテゴリーが等しく表現されない不均衡データの挑戦的ではあるが現実的なシナリオを考察した。誤った予測サンプルの同定において,最先端の結果とより良い速度を示した。この方法は簡単で,モデル診断的であり,スクラッチから再訓練する必要のない現在のモデル状態に依存する。【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