اکسپرس 24
ترجمه فارسی مقاله استفاده از نظریه تنوع در افزایش داده‌های خلاف واقع برای یادگیری فعال بهینه

ترجمه فارسی مقاله استفاده از نظریه تنوع در افزایش داده‌های خلاف واقع برای یادگیری فعال بهینه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Leveraging Variation Theory in Counterfactual Data Augmentation for Optimized Active Learning
عنوان مقاله به فارسی استفاده از نظریه تنوع در افزایش داده‌های خلاف واقع برای یادگیری فعال بهینه
نویسندگان Simret Araya Gebreegziabher, Kuangshi Ai, Zheng Zhang, Elena L. Glassman, Toby Jia-Jun Li
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
دسته بندی موضوعات Machine Learning,Computation and Language,Human-Computer Interaction,یادگیری ماشین , محاسبات و زبان , تعامل انسان و رایانه ,
توضیحات Submitted 7 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 7 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 680,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Active Learning (AL) allows models to learn interactively from user feedback. This paper introduces a counterfactual data augmentation approach to AL, particularly addressing the selection of datapoints for user querying, a pivotal concern in enhancing data efficiency. Our approach is inspired by Variation Theory, a theory of human concept learning that emphasizes the essential features of a concept by focusing on what stays the same and what changes. Instead of just querying with existing datapoints, our approach synthesizes artificial datapoints that highlight potential key similarities and differences among labels using a neuro-symbolic pipeline combining large language models (LLMs) and rule-based models. Through an experiment in the example domain of text classification, we show that our approach achieves significantly higher performance when there are fewer annotated data. As the annotated training data gets larger the impact of the generated data starts to diminish showing its capability to address the cold start problem in AL. This research sheds light on integrating theories of human learning into the optimization of AL.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فعال (AL) به مدل ها اجازه می دهد تا از بازخورد کاربر به صورت تعاملی یاد بگیرند.در این مقاله یک رویکرد تقویت داده های ضد خلاف به AL ، به ویژه پرداختن به انتخاب داده های مربوط به پرس و جو کاربر ، یک نگرانی مهم در افزایش بهره وری داده ها ارائه شده است.رویکرد ما از تئوری متغیر الهام گرفته شده است ، یک تئوری یادگیری مفهوم انسانی که با تمرکز بر آنچه که یکسان باقی می ماند و چه تغییراتی دارد ، بر ویژگی های اساسی یک مفهوم تأکید می کند.رویکرد ما به جای اینکه فقط با داده های موجود پرس و جو کنید ، داده های مصنوعی را نشان می دهد که شباهت ها و تفاوت های کلیدی بالقوه بین برچسب ها را با استفاده از یک خط لوله عصبی-سمبولیک با ترکیب مدل های بزرگ زبان (LLMS) و مدل های مبتنی بر قانون برجسته می کند.از طریق آزمایش در حوزه مثال طبقه بندی متن ، ما نشان می دهیم که وقتی داده های حاشیه نویسی کمتری وجود دارد ، رویکرد ما به عملکرد قابل توجهی بالاتر می رسد.با بزرگتر شدن داده های آموزش حاشیه نویسی ، تأثیر داده های تولید شده شروع به کاهش توانایی آن برای رفع مشکل شروع سرما در AL می کند.این تحقیق بر ادغام نظریه های یادگیری انسان در بهینه سازی AL روشن می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.