Buchumschlag

Exploring Active Learning in Meta-Learning: Enhancing Context Set Labeling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bae, Wonho, Wang, Jing, Sutherland, Danica J.
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Uncertainty Herding: One Active Learning Method for All Label Budgets
von: Bae, Wonho, et al.
Veröffentlicht: (2024)

Generalized Coverage for More Robust Low-Budget Active Learning
von: Bae, Wonho, et al.
Veröffentlicht: (2024)

Understanding Simplicity Bias towards Compositional Mappings via Learning Dynamics
von: Ren, Yi, et al.
Veröffentlicht: (2024)

Learning Dynamics of LLM Finetuning
von: Ren, Yi, et al.
Veröffentlicht: (2024)

Learning Representations for Independence Testing
von: Xu, Nathaniel, et al.
Veröffentlicht: (2024)

Labeled TrustSet Guided: Batch Active Learning with Reinforcement Learning
von: Cui, Guofeng, et al.
Veröffentlicht: (2026)

Vicinity-Guided Discriminative Latent Diffusion for Privacy-Preserving Domain Adaptation
von: Wang, Jing, et al.
Veröffentlicht: (2025)

Random Is Hard to Beat: Active Selection in online DPO with Modern LLMs
von: Oh, Giyeong, et al.
Veröffentlicht: (2026)

Efficient kernelized bandit algorithms via exploration distributions
von: Hu, Bingshan, et al.
Veröffentlicht: (2025)

What Has Been Overlooked in Contrastive Source-Free Domain Adaptation: Leveraging Source-Informed Latent Augmentation within Neighborhood Context
von: Wang, Jing, et al.
Veröffentlicht: (2024)

Bias Amplification in Language Model Evolution: An Iterated Learning Perspective
von: Ren, Yi, et al.
Veröffentlicht: (2024)

A Theory for Compressibility of Graph Transformers for Transductive Learning
von: Shirzad, Hamed, et al.
Veröffentlicht: (2024)

Semiparametric Learning from Open-Set Label Shift Data
von: Liu, Siyan, et al.
Veröffentlicht: (2025)

Diffusion-Driven Two-Stage Active Learning for Low-Budget Semantic Segmentation
von: Kim, Jeongin, et al.
Veröffentlicht: (2025)

Multi-Label Bayesian Active Learning with Inter-Label Relationships
von: Qi, Yuanyuan, et al.
Veröffentlicht: (2024)

Exploring the Robustness of In-Context Learning with Noisy Labels
von: Cheng, Chen, et al.
Veröffentlicht: (2024)

ActiveLab: Active Learning with Re-Labeling by Multiple Annotators
von: Goh, Hui Wen, et al.
Veröffentlicht: (2023)

DUAL: Learning Diverse Kernels for Aggregated Two-sample and Independence Testing
von: Zhou, Zhijian, et al.
Veröffentlicht: (2025)

Reducing Variance in Meta-Learning via Laplace Approximation for Regression Tasks
von: Reichlin, Alfredo, et al.
Veröffentlicht: (2024)

Maximum Mean Discrepancy with Unequal Sample Sizes via Generalized U-Statistics
von: Wei, Aaron, et al.
Veröffentlicht: (2025)

Unsupervised Meta-Learning via In-Context Learning
von: Vettoruzzo, Anna, et al.
Veröffentlicht: (2024)

Federated Learning with Heterogeneous and Private Label Sets
von: Breitholtz, Adam, et al.
Veröffentlicht: (2025)

Cumulative Meta-Learning from Active Learning Queries for Robustness to Spurious Correlations
von: Chew, Kin Whye, et al.
Veröffentlicht: (2026)

Unlabeled Data Can Provably Enhance In-Context Learning of Transformers
von: Liu, Renpu, et al.
Veröffentlicht: (2026)

Unique Rashomon Sets for Robust Active Learning
von: Nguyen, Simon, et al.
Veröffentlicht: (2025)

Batch Selection and Communication for Active Learning with Edge Labeling
von: Croisfelt, Victor, et al.
Veröffentlicht: (2023)

Federated Learning with Only Positive Labels by Exploring Label Correlations
von: An, Xuming, et al.
Veröffentlicht: (2024)

Fair Active Learning: Solving the Labeling Problem in Insurance
von: Elie, Romuald, et al.
Veröffentlicht: (2021)

Exploring Imbalanced Annotations for Effective In-Context Learning
von: Gao, Hongfu, et al.
Veröffentlicht: (2025)

To Label or Not to Label: Hybrid Active Learning for Neural Machine Translation
von: Azeemi, Abdul Hameed, et al.
Veröffentlicht: (2024)

Why Do You Grok? A Theoretical Analysis of Grokking Modular Addition
von: Mohamadi, Mohamad Amin, et al.
Veröffentlicht: (2024)

Enhancing Cost Efficiency in Active Learning with Candidate Set Query
von: Gwon, Yeho, et al.
Veröffentlicht: (2025)

Set a Thief to Catch a Thief: Combating Label Noise through Noisy Meta Learning
von: Wang, Hanxuan, et al.
Veröffentlicht: (2025)

Bidirectional Uncertainty-Based Active Learning for Open Set Annotation
von: Zong, Chen-Chen, et al.
Veröffentlicht: (2024)

Active In-Context Learning for Tabular Foundation Models
von: Treerath, Wilailuck, et al.
Veröffentlicht: (2026)

Token Hidden Reward: Steering Exploration-Exploitation in Group Relative Deep Reinforcement Learning
von: Deng, Wenlong, et al.
Veröffentlicht: (2025)

Inaccurate Label Distribution Learning with Dependency Noise
von: Kou, Zhiqiang, et al.
Veröffentlicht: (2024)

In-Context Learning Learns Label Relationships but Is Not Conventional Learning
von: Kossen, Jannik, et al.
Veröffentlicht: (2023)

Optimal Labeler Assignment and Sampling for Active Learning in the Presence of Imperfect Labels
von: Ahadi, Pouya, et al.
Veröffentlicht: (2025)

Efficient Bilevel Optimization for Meta Label Correction in Noisy Label Learning
von: Nguyen, Ba Hoang Anh, et al.
Veröffentlicht: (2026)