Moderately Supervised Learning: Definition, Framework and Generality

要約

【タイトル】Moderately Supervised Learning: Definition, Framework and Generality（中度に教師付き学習：定義、フレームワークおよび汎用性）

【要約】
– 監督あり学習（SL）および弱監督あり学習（WSL）の2種類の教師付き学習があるが、与えられたラベルが必ずしも容易に学習できるものではない。
– 中度に教師付き学習（MSL）は、与えられたラベルは理想的だが、ラベルの変換が必要である場合に発生する。
– MSLを定義し、分析するフレームワークを提供することで、SLタスクの適切な解決策を構築するために必要な詳細をエンジニアに提供する。
– また、MSLの概念と数学者の視点との関係を明らかにすることで、数学者の視点から問題を解決するためのチュートリアルを提供する。

【要点】
– 監督あり学習(SL)：完全なラベルに基づいている。
– 弱監督あり学習(WSL)：不完全なラベルに基づいている。
– 中度に教師付き学習(MSL)：理想的なラベルがあるが、ラベルを簡単に学習できるターゲットに変換する必要がある。
– MSLの定義、フレームワーク、汎用性を提供し、MSLタスクを分析するための基礎を提供する。
– 数学者の視点から問題を解決するためのチュートリアルを提供する。

要約(オリジナル)

Learning with supervision has achieved remarkable success in numerous artificial intelligence (AI) applications. In the current literature, by referring to the properties of the labels prepared for the training dataset, learning with supervision is categorized as supervised learning (SL) and weakly supervised learning (WSL). SL concerns the situation where the training data set is assigned with ideal (complete, exact and accurate) labels, while WSL concerns the situation where the training data set is assigned with non-ideal (incomplete, inexact or inaccurate) labels. However, various solutions for SL tasks have shown that the given labels are not always easy to learn, and the transformation from the given labels to easy-to-learn targets can significantly affect the performance of the final SL solutions. Without considering the properties of the transformation from the given labels to easy-to-learn targets, the definition of SL conceals some details that can be critical to building the appropriate solutions for specific SL tasks. Thus, for engineers in the AI application field, it is desirable to reveal these details systematically. This article attempts to achieve this goal by expanding the categorization of SL and investigating the sub-type moderately supervised learning (MSL) that concerns the situation where the given labels are ideal, but due to the simplicity in annotation, careful designs are required to transform the given labels into easy-to-learn targets. From the perspectives of the definition, framework and generality, we conceptualize MSL to present a complete fundamental basis to systematically analyse MSL tasks. At meantime, revealing the relation between the conceptualization of MSL and the mathematicians’ vision, this paper as well establishes a tutorial for AI application engineers to refer to viewing a problem to be solved from the mathematicians’ vision.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI