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。
データラベリングは,機械学習モデルの性能は,これらのモデルを訓練するために使用されるデータセットの品質に直接依存し,ラベリングは実質的な手動努力を必要とするので,新しいモデルの開発における主な障害である。全データセットのラベル付けは必ずしも必要ではなく,画像データセットからのあらゆる項目は訓練過程に等しく寄与しない。能動的学習または誘導ラベリングは,できるだけラベルを自動化し,スピードアップする試みの1つである。本研究では,2つのネットワーク,畳み込みニューラルネットワークおよび自己修正ニューラルネットワーク(SCN)を含む新しいアクティブ学習アルゴリズム(ALSCN)を提示した。畳み込みネットワークを手動ラベル付きデータのみを用いて訓練し,ネットワークがラベルなしアイテムのラベルを予測する訓練後に訓練した。SCNネットワークをすべての利用可能なアイテムで訓練して,それらのアイテムのいくつかを手動でラベル付けして,残りのアイテムを以前のネットワークで自動的にラベル付けした。SCNネットワークを訓練後,全ての利用可能な項目の新しいラベルを予測し,新しいラベルを訓練に用いたラベルと比較した。手動ラベリングのために差異が特定されている項目を選択し,以前に手動でラベル付けされたアイテムのデータセットに追加した。その後,畳込みネットワークを拡張データセットで訓練し,以前に記述したステップを繰り返した。著者らの実験は,提案した方法によって選択されたアイテムを用いて訓練されたネットワークが,利用可能なアイテムの集合からランダムに選択された同じ数のアイテムで訓練されたネットワークの性能を上回ることを示した。完全なデータセットからの項目をいくつかの反復で選択し,モデルの訓練に用いた。選択した項目で訓練されたモデルの精度は,全データセットで訓練されたモデルの精度を一致または超過し,必要な手動ラベリング努力の縮小の程度を示した。提示アルゴリズムの効率を3つのデータセット(MNIST,Fashion MNISTおよびCIFAR-10)で試験した。最終結果は,MNIST,Fashion MNISTおよびCIFAR-10データセットの場合,手動ラベリングが,それぞれ6.11%(3667/60,000),23.92%(14,353/60,000)および59.4%(29,704/50,000)項目だけに必要であることを示した。Copyright The Author(s), under exclusive licence to Springer Science+Business Media, LLC, part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】
