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。
人工知能における最も一般的なアプリケーションタスクは,転送学習を用いた画像分類である。転送学習は,特定のアプリケーションのために精緻化するために,大きな数で利用可能な画像の一般クラスに事前訓練されたモデルを可能にする。これにより,ドメインエキスパートが自分自身の一般的,実質的に小さい画像の収集により,深い学習モデルを構築することができる。そのようなモデルの良好な性能は,データの新しいバッチに関するモデルの現在の予測を有する専門家を提示する人間-イン-ループインタフェイスを採用することによって,訓練データをラベル付けするのに必要な努力をさらに減らすことができるかどうかの疑問を提起し,そして,拡張データに関するモデルを再訓練する専門家によるde novoラベリングよりも,これらの予測の補正を必要とするだけであった。本論文では,誤分類事例を修正するために必要な努力を最小化する一方で,最高のモデル性能を達成するために,この反復訓練方式におけるデータをいかに順序づけるかを調べた。実験は,4つの画像分類データセットと3つの一般的な事前訓練モデルを用いて,規則化の5つの方法を含む。方法の2つは,事例を先験的に考慮し,他の3つは,順序がデータの各新しいバッチとモデルの再訓練後に反復的に更新されるアクティブ学習手法を採用した。主な知見は,要求される補正の数に関してモデルの正確さを考慮することが重要であり,それは,ラベル付き訓練例の数に関して精度を用いることが,文献における一般的実践である。より具体的には,アクティブな方法は,与えられたレベルの精度に対して,先験的方法よりも,より累積的な補正を必要とする。それらのグループ内で,能動的および先験的方法は同様に機能する。「単純な」問題,すなわち,より少ない例とクラスを含むものに対して,事例のランダム選択で改善しないという予備的証拠を提示した。より複雑な問題のために,「カーネル群れ」として知られる greedy欲試料選択法に基づく先験的戦略は最良である。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】