画像分類および物体検出モデルのためのガウス過程支援メタ学習

この論文では、現実的なデータの収集にコストがかかるシナリオにおいて、機械学習モデルの性能を向上させるために、ガウス過程を利用してデータ取得を誘導する新しいメタ学習アプローチを紹介しています。中心となるアイデアは、トレーニングデータに関連付けられたメタデータ（季節、時間帯など）に基づいて、学習者のパフォーマンスの代理モデルを構築することです。ガウス過程として実装されたこの代理モデルは、モデルのパフォーマンスを最大化すると予想される新しいデータポイントの選択を通知します。この論文では、古典的な学習例と、飛行機検出のための航空画像収集を含む現実世界のアプリケーションの両方で、このアプローチの有効性を示しています。この方法は、データ収集戦略を最適化し、データが不足している環境でモデルの精度を向上させるための有望な方法を提供します。