시간에 민감한 진단을 위한 그룹 기반 질의 학습
본 논문은 응급 상황 등 시간‑중요형 식별 작업에서 객체를 빠르게 구분하기 위해 질의 학습을 확장한다. 객체와 질의를 각각 그룹화하고, 그룹 수준의 식별, 질의 그룹 제안, 그리고 지속적 잡음 하의 학습이라는 세 가지 실용적 변형을 제안한다. 기존의 분할 알고리즘(Generalized Binary Search)을 Shannon‑Fano 코딩의 일반화로 해석하고, 이를 기반으로 새로운 탐욕적 알고리즘을 설계한다. 합성 데이터와 독성 화학 물질 데…
저자: Gowtham Bellala, Suresh Bhavnani, Clayton Scott
본 논문은 “질의 학습(query learning)”이라는 프레임워크를 기반으로, 시간에 민감한 진단 상황에서 효율적인 정보 획득을 목표로 하는 세 가지 확장 문제를 제시하고, 이를 해결하기 위한 이론적·알고리즘적 기여를 제공한다.
**1. 연구 배경 및 문제 정의**
전통적인 질의 학습은 미지의 객체 θ∈Θ를 최소한의 “예/아니오” 질의(q∈Q)를 통해 정확히 식별하는 문제이다. 각 질의는 객체 집합 Θ의 부분집합을 정의하며, 질의에 대한 응답은 1(θ∈q) 혹은 0(θ∉q)이다. 이때 목표는 기대 질의 수 E
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기