Oct, 2023

冲突感知主动自动机学习

PDF
TL;DRConflicts in observation data pose a challenge for active automata learning algorithms, but the Conflict-Aware Active Automata Learning (C3AL) framework addresses this by considering the observation tree as a first-class citizen during the learning process, enabling better handling of noise and mutations.
active automata learningconflictobservation datalearning processc3al
发现论文，激发创造
  • 冲突感知的主动自动机学习

    冲突感知主动自动机学习 (C3AL) 框架是处理学习过程中冲突信息的合适替代框架，能够更好地处理噪声和变异的闭盒学习。

    Aug, 2023

  • 自适应主动自动机学习中的状态匹配和多重参考

    主题：主动自动机学习；适应性学习；状态匹配；参考模型；样本复杂度；摘要：本文介绍了一种自动学习的新框架，它通过状态匹配提供了对参考模型结构的灵活使用，从而减少了自动学习的样本复杂度。实证评估表明，该适应性学习框架改进了当前的状态艺术水平约两个数量级。

    Jun, 2024

  • D-CALM：基于动态聚类的主动学习方法降低偏差

    本文提出了一种新颖的自适应基于聚类的主动学习算法 D-CALM，通过将聚类与主动学习相结合，动态地调整聚类和注释工作以响应分类器错误率的估计。实验证明，D-CALM 可以显著优于基线主动学习方法，具有较强的鲁棒性并可以显著降低模型的不想要偏差。

    May, 2023

  • 冲突文本语料库的深度主动学习挖掘

    利用主动学习改进机器学习模型的方法，提取与冲突动态有关的事件的子类，展现与人工编码相似的性能，同时减少了高达 99% 的人工注释需求。

    Feb, 2024

  • 通过动态自动冲突解决改善人工标记的数据

    本文提出了一种可扩展的方法，用于评估典型众包语义注释任务产生的标签嘈杂程度并减少标注过程中的错误，称之为动态自动冲突解决 (DACR)。该方法无需基本真值数据集，而是基于项目间注释不一致性，从而使 DACR 不仅更加准确，而且适用于各种标注任务。本文介绍了 DACR 在商业个人助手的大规模文本分类任务中的结果，并评估了与其他常见标注策略相比发现的内在歧义。

    Dec, 2020

  • 冲突驱动学习的程序合成

    该研究提出一种新的冲突驱动程序合成技术，并介绍了冲突的等价性模块以及学习如何规避类似问题的可用引理，该技术的性能实验证明优于两个针对数据整理和函数式编程的最先进的合成工具。

    Nov, 2017

  • 学习估计竞争来提高多智能体协作

    本文提出了一种多智能体学习算法 ALMA-Learning，用于大规模系统的高效和公平分配，该算法通过依赖于 ALMA 启发式协调机制来克服传统多智能体学习的问题，适用于各种情景和实际问题，且具有轻量级和快速学习的特点，适合于设备上的部署。

    May, 2021

  • 地图学主动学习

    提出了一种名为 “Cartography Active Learning”(CAL) 的主动学习算法，该算法通过利用模型在单个实例上的行为作为代理来查找最具信息价值的实例进行标注。与其他常用的 AL 策略相比，CAL 是一种更有效的学习策略，可以通过利用小种子数据产生的训练动态来成功地进行 AL。

    Sep, 2021

  • 条件信任环境下的协作主动学习

    通过合作主动学习，利用多个协作者的机器学习能力，不泄露现有数据和模型，而是共享新领域的预测结果和新获取的标签，以解决隐私和安全问题、提高成本效益和资源利用效率，促进模型性能，并为进一步研究合作主动学习及其在各个领域的实际应用提供了基础。

    Mar, 2024

  • 基于主动学习的自动驾驶车辆分类

    该研究提出了一个利用主动学习框架从实时收集的数据中，对自动驾驶车辆进行正确分类的方法，该方法通过有效处理贫乏且嘈杂的数据，并在数据质量和多样性之间进行权衡，从其他车辆接收的信息以及有关自身传感器的信息进行数据分析，从而实现高准确度的分类，而该方法相比其他现有的解决方案，具备数据传输带宽要求低的优势。

    Feb, 2020