305336記事公開中

トレンドワード
  2. AIベンチマークリサーチ
  3. 論文研究
  4. ソフトウェアソースコードの実行時間予測のためのグラフ注釈に関する統一的アクティブラーニング枠組み（A Unified Active Learning Framework for Annotating Graph Data with Application to Software Source Code Performance Prediction）
1未満 分で読了
0 views

ソフトウェアソースコードの実行時間予測のためのグラフ注釈に関する統一的アクティブラーニング枠組み

（A Unified Active Learning Framework for Annotating Graph Data with Application to Software Source Code Performance Prediction）

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海さん、最近うちの若手から「データにラベルが足りないからAIが使えない」と言われましてね。具体的に何が問題なんでしょうか。

AIメンター拓海

素晴らしい着眼点ですね！多くのAIは学習に大量の「正解ラベル」を要するんです。ラベルを全部そろえるには時間と人手が大量に必要で、そこがボトルネックになっているんです。

田中専務

なるほど、全部手作業でラベル付けするのはコストがかかると。で、どうやってそれを少なくして精度を保つんですか。

AIメンター拓海

ここで役立つのがActive Learning（AL）アクティブラーニングです。要は賢くラベルを選んで人手を最小化する考え方で、要点は三つ。まず有益なデータだけ選ぶこと、次にそれをグラフ表現にしてまとめること、最後に少ないラベルでも学習できるようにすることです。

田中専務

うちで言えば、ソースコードのどの部分にラベルを付ければ実行時間予測に効くかを

監修者

阪上雅昭（SAKAGAMI Masa-aki）
京都大学　人間・環境学研究科　名誉教授

論文研究シリーズ
前の記事
定着こそが全て
（Retention Is All You Need）
次の記事
ETPNav: 連続環境における視覚言語ナビゲーションのための進化的トポロジカルプランニング
（ETPNav: Evolving Topological Planning for Vision-Language Navigation in Continuous Environments）
関連記事
マルチモーダル適応推論による文書画像分類のAnytime早期終了
（Multimodal Adaptive Inference for Document Image Classification with Anytime Early Exiting）
重要なトークンから学ぶ量子化でより良い大規模言語モデルを実現する
（RSQ: Learning from Important Tokens Leads to Better Quantized LLMs）
3次元敵対的形状補完の伝播性と拡散モデルによる生成
（Transferable 3D Adversarial Shape Completion using Diffusion Models）
拡散モデルのための動的探索による推論時アライメント
（Dynamic Search for Diffusion）
音声認識の文脈化：音韻的検索を用いたLLM増強
（Contextualization of ASR with LLM using phonetic retrieval-based augmentation）
信頼できないサーバー下での異種分散学習におけるプライバシー最適化
（Private Heterogeneous Federated Learning Without a Trusted Server Revisited: Error-Optimal and Communication-Efficient Algorithms for Convex Losses）
この記事をシェア

有益な情報を同僚や仲間と共有しませんか？

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
（Black hole/quantum machine learning correspondence）
  • 論文研究
生成AI検索における敏感なユーザークエリの分類と分析
（Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System）
  • 論文研究
DiReDi：AIoTアプリケーションのための蒸留と逆蒸留
（DiReDi: Distillation and Reverse Distillation for AIoT Applications）
  • 論文研究

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に！
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
最新記事
音声から「屋外録音」時の3D顔動作を合成する技術
（Synthesising 3D Facial Motion from “In-the-Wild” Speech）
  • 論文研究
大量のツイートに基づく市民の特徴付け
（Characterization of citizens using word2vec and latent topic analysis in a large set of tweets）
  • 論文研究
オミクスデータの統合的コンセンサスクラスタリングのための多重カーネル学習
（Multiple kernel learning for integrative consensus clustering of ’omic datasets）
  • 論文研究
生成モデルの精度と網羅性を分離して評価する手法の改良
（Improved Precision and Recall Metric for Assessing Generative Models）
  • 論文研究
SR-GANによるゼロショット学習の改良
（SR-GAN: SEMANTIC RECTIFYING GENERATIVE ADVERSARIAL NETWORK FOR ZERO-SHOT LEARNING）
  • 論文研究
継続学習の三つのシナリオ
（Three scenarios for continual learning）
  • 論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む