یادگیری فعّال با استفاده از پرس و جوی عمیق و نمونه های نماینده

0 out of 5

80,000ريال

English title: Active Learning by Querying Informative and Representative Examples

Abstract:Most active learning approaches select either informative or representative unlabeled instances to query their labels. Although several active learning algorithms have been proposed to combine the two criteria for query selection, they are usually ad hoc in finding unlabeled instances that are both informative and representative. We address this challenge by a principled approach, termed QUIRE,based on the min-max view of active learning. The proposed approach provides a systematic way for measuring and combining the informativeness and representativeness of an instance. Extensive experimental results show that the proposed QUIRE approach outperforms several state-of -the-art active learning approaches.

چکیده

بیشتر رویکردهای یادگیری فعّال به منظور پرس و جوی برچسب­هایشان از نمونه­های نماینده بدون برچسب یا نمونه­های عمیق استفاده می­کنند. اگر چه چندین الگوریتم یادگیری فعّال پیشنهاد شده است که هدف آنها ترکیب هر دو معیار برای انتخاب پرس و جو بوده است، ولی آنها معمولا در پیدا کردن نمونه­های بدون برچسب که هم عمیف و هم نماینده ( معرف) باشند، موردی بوده­اند. ما در این مقاله این چالش را با استفاده از یک رویکرد اصولی که QUIRE نامیده می­شود، و بر پایه یک دیدگاه min-max از یادگیری فعّال، مورد بررسی و حل قرار داده­ایم. رویکرد پیشنهادی یک روش اصولی برای ترکیب و اندازه­گیری نمایندگی و ارزشمندی نمونه­ها ارائه می­دهد. نتایج تجربی نشان می­دهد که رویکرد QUIRE پیشنهادی نسبت به چندین رویکرد یادگیری فعّال جدید در این حوزه، عملکرد بهتری دارد.

تعداد صفحات انگلیسی: 9 صفحه

تعداد صفحات فارسی: 13 صفحه

دسته بندی: .
ثبت سفارش ترجمه