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。
アクティブ学習は,機械学習のますます重要な分岐であり,自然言語処理のための強力な技術である。能動学習の主な利点は,高性能モデルを学習するために必要なラベル付きデータ量を低減する可能性である。効果的な能動学習アルゴリズムの不可欠な側面は,追加のラベル付けデータを得るときの決定である。いくつかの最先端の停止法は,この決定を行うのを助けるためにストップセットを使用する。しかし,停止セットに応用される停止アルゴリズムよりも,停止セットの選択には比較的注意が払われていない。停止セットの異なる選択は,停止法性能における顕著な差をもたらす。異なる停止方法に対する異なる停止セット選択の影響を調べた。本論文は,停止セットの選択が停止方法の性能に重要な影響を持ち,衝撃が信頼性ベースの方法に関する安定性ベースの方法に関して異なることを示した。さらに,方法の元の著者によって提案された不偏の代表的なストップセットは,最近発表された研究で使用された体系的に偏ったストップセットより良好に機能し,そして,安定化予測に基づく停止方法は,不偏の代表的ストップセットを用いるとき,信頼ベースの停止法よりも強い性能を持っている。今日までの停止セットの影響に関して,最大量の実験結果を提供した。この知見は,最近発表された研究で考慮され,技術支援レビューやテキスト分類のような重要なセマンティックコンピューティングアプリケーションのための停止方法の性能に,大きな実用的影響を有することができる,この重要な側面の影響を明らかにするのを助けるために重要である。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】