回帰のための深層バッチ能動学習のためのフレームワークとベンチマーク【JST・京大機械翻訳】

Holzmueller David; Zaverkin Viktor; Kaestner Johannes; Steinwart Ingo

プレプリント

J-GLOBAL ID：202202215662340945 整理番号：22P0306060

回帰のための深層バッチ能動学習のためのフレームワークとベンチマーク【JST・京大機械翻訳】

A Framework and Benchmark for Deep Batch Active Learning for Regression

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： 2022年03月17日プレプリントサーバーでの情報更新日： 2023年08月01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)

教師つき学習のためのラベルの取得は,高価である。ニューラルネットワーク回帰のサンプル効率を改善するために,ラベル付けのためのラベルなしデータのバッチを適応的に選択するアクティブ学習法を研究した。(ネットワーク依存)ベースカーネル,カーネル変換および選択法からそのような方法を構築するためのフレームワークを提案した。このフレームワークは,ニューラルネットワークのGauss過程近似と非Bayes法に基づいた多くの既存のBayes法を含む。さらに,著者らは,スケッチされた有限幅の神経接線カーネルで一般的に使用される最終層特徴を置換し,それらを新しいクラスタリング法と結合させることを提案する。異なる方法を評価するために,15の大表回帰データセットから成るオープンソースベンチマークを導入した。提案手法は,著者らのベンチマーク,大規模データセットに対するスケール,およびネットワークアーキテクチャまたは訓練コードの調整なしに,ボックスの仕事を凌駕する。すべてのカーネル,カーネル変換,および選択方法の効率的な実装を含むオープンソースコードを提供し,結果を再現するために使用できる。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る