論文の概要: Multi-Objective Hyperparameter Tuning and Feature Selection using Filter Ensembles

• arxiv url: http://arxiv.org/abs/1912.12912v2
• Date: Thu, 13 Feb 2020 10:41:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-17 02:05:52.587104
• Title: Multi-Objective Hyperparameter Tuning and Feature Selection using Filter Ensembles
• Title（参考訳）: フィルタアンサンブルを用いた多目的ハイパーパラメータチューニングと特徴選択
• Authors: Martin Binder, Julia Moosbauer, Janek Thomas, Bernd Bischl
• Abstract要約: 特徴選択を多目的最適化タスクとして扱う。 まず、多目的モデルベースの最適化を使用する。 第二に、NSGA-IIベースのラッパーアプローチによる特徴選択である。
• 参考スコア（独自算出の注目度）: 0.8029049649310213
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Both feature selection and hyperparameter tuning are key tasks in machine learning. Hyperparameter tuning is often useful to increase model performance, while feature selection is undertaken to attain sparse models. Sparsity may yield better model interpretability and lower cost of data acquisition, data handling and model inference. While sparsity may have a beneficial or detrimental effect on predictive performance, a small drop in performance may be acceptable in return for a substantial gain in sparseness. We therefore treat feature selection as a multi-objective optimization task. We perform hyperparameter tuning and feature selection simultaneously because the choice of features of a model may influence what hyperparameters perform well. We present, benchmark, and compare two different approaches for multi-objective joint hyperparameter optimization and feature selection: The first uses multi-objective model-based optimization. The second is an evolutionary NSGA-II-based wrapper approach to feature selection which incorporates specialized sampling, mutation and recombination operators. Both methods make use of parameterized filter ensembles. While model-based optimization needs fewer objective evaluations to achieve good performance, it incurs computational overhead compared to the NSGA-II, so the preferred choice depends on the cost of evaluating a model on given data.
• Abstract（参考訳）: 機能選択とハイパーパラメータチューニングの両方が機械学習の重要なタスクである。 ハイパーパラメータチューニングは、しばしばモデル性能を向上させるのに役立ち、機能選択はスパースモデルを達成するために行われる。 スパーシリティは、より良いモデル解釈可能性とデータ取得、データハンドリング、モデル推論の低コストをもたらす可能性がある。 スパーシリティは、予測性能に有益または有害な影響を及ぼす可能性があるが、スパースネスの実質的な上昇と引き換えに、わずかな性能低下が許容される。 したがって,特徴選択を多目的最適化タスクとして扱う。 モデルの特徴の選択がハイパーパラメータの性能に影響を及ぼす可能性があるため、ハイパーパラメータチューニングと特徴選択を同時に行う。 我々は,多目的共同パラメータ最適化と特徴選択のための2つの異なるアプローチを提示し,ベンチマークし,比較する。 2つ目は、NSGA-IIに基づく機能選択のための進化的ラッパーアプローチで、特別なサンプリング、突然変異、組換え演算子を含んでいる。 どちらの手法もパラメータ化フィルタアンサンブルを利用する。 モデルに基づく最適化は、優れた性能を達成するために客観的な評価は少ないが、nsga-iiと比較して計算上のオーバーヘッドが生じるため、望ましい選択は、与えられたデータに基づいてモデルを評価するコストに依存する。

関連論文リスト

• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
  人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。 本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。 提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
  論文  参考訳（メタデータ） (2024-06-04T20:33:22Z)
• DsDm: Model-Aware Dataset Selection with Datamodels [81.01744199870043]
  標準的なプラクティスは、データ品質という人間の考え方にマッチする例をフィルタリングすることです。 質の高い"データソースとの類似性に応じた選択は、ランダムに選択するデータに比べてパフォーマンスが向上しない(さらに傷つく)可能性がある。 我々のフレームワークは、データ品質に関する手作業による概念を回避し、学習プロセスがターゲットタスクの予測にデータポイントをトレーニングする方法を明確にモデル化する。
  論文  参考訳（メタデータ） (2024-01-23T17:22:00Z)
• Predictive Modeling through Hyper-Bayesian Optimization [60.586813904500595]
  本稿では,モデル選択とBOを統合する新しい手法を提案する。 このアルゴリズムは、モデル空間のBOと関数空間のBOの間を行き来する。 サンプル効率の改善に加えて、ブラックボックス機能に関する情報も出力する。
  論文  参考訳（メタデータ） (2023-08-01T04:46:58Z)
• A Survey on Multi-Objective based Parameter Optimization for Deep Learning [1.3223682837381137]
  深層ニューラルネットワークを用いたパラメータ最適化における多目的最適化手法の有効性について検討する。 これら2つの手法を組み合わせて、複数のアプリケーションにおける予測と分析の生成に関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2023-05-17T07:48:54Z)
• Feature Selection for Classification with QAOA [11.516147824168732]
  特徴選択は機械学習において非常に重要であり、分類、ランク付け、予測問題の次元化に使用できる。 我々は特に、すでに最適化に使われている近似量子最適化(QAOA)に対処できる二次的特徴選択問題を考える。 実験では,次元が21まで異なる7つの実世界のデータセットについて検討し,量子シミュレータと小型データセットの両方でQAOAを実行する。
  論文  参考訳（メタデータ） (2022-11-05T09:28:53Z)
• The Role of Adaptive Optimizers for Honest Private Hyperparameter Selection [12.38071940409141]
  標準合成ツールは、多くの設定において、より高度な技術よりも優れていることを示す。 我々は、新しいより効率的なツールを設計するために、DP設定におけるAdamの制限的な振る舞いを描きます。
  論文  参考訳（メタデータ） (2021-11-09T01:56:56Z)
• MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
  トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。 スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。 そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
  論文  参考訳（メタデータ） (2021-10-05T02:14:38Z)
• Approximate Bayesian Optimisation for Neural Networks [6.921210544516486]
  モデル選択の重要性を強調するために、機械学習アルゴリズムを自動化するための一連の作業が行われた。 理想主義的な方法で解析的トラクタビリティと計算可能性を解決する必要性は、効率と適用性を確保することを可能にしている。
  論文  参考訳（メタデータ） (2021-08-27T19:03:32Z)
• Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
  本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。 レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
  論文  参考訳（メタデータ） (2020-08-02T02:56:30Z)
• Hyperparameter Selection for Subsampling Bootstraps [0.0]
  BLBのようなサブサンプリング手法は、大量のデータに対する推定器の品質を評価する強力なツールとして機能する。 サブサンプリング法の性能は,チューニングパラメータの選択によって大きく影響を受ける。 本研究では,サブサンプリング手法のチューニングパラメータの選択に利用できるハイパーパラメータ選択手法を開発した。 シミュレーション研究と実データ解析の両方が,本手法の優位性を証明している。
  論文  参考訳（メタデータ） (2020-06-02T17:10:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。