論文の概要: Unsupervised Learning of the Set of Local Maxima

• arxiv url: http://arxiv.org/abs/2001.05026v1
• Date: Tue, 14 Jan 2020 19:56:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 12:06:24.435677
• Title: Unsupervised Learning of the Set of Local Maxima
• Title（参考訳）: 局所最大値集合の教師なし学習
• Authors: Lior Wolf, Sagie Benaim, Tomer Galanti
• Abstract要約: 二つの関数が学習される: (i) バイナリ分類器である集合指標 c と (ii) 近くの2つの標本を与えられたコンパレータ関数 h は、どの標本が未知の関数 v のより高い値を持つかを予測する。 損失項は、すべてのトレーニングサンプル x が h に従って v の局所極大であり、c(x)=1 を満たすことを保証するために用いられる。 本稿では,従来の分類法よりも局所極大を指標関数として用いる方が効率的である例を示し,適切な一般化境界を導出する。
• 参考スコア（独自算出の注目度）: 105.60049730557706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper describes a new form of unsupervised learning, whose input is a set of unlabeled points that are assumed to be local maxima of an unknown value function v in an unknown subset of the vector space. Two functions are learned: (i) a set indicator c, which is a binary classifier, and (ii) a comparator function h that given two nearby samples, predicts which sample has the higher value of the unknown function v. Loss terms are used to ensure that all training samples x are a local maxima of v, according to h and satisfy c(x)=1. Therefore, c and h provide training signals to each other: a point x' in the vicinity of x satisfies c(x)=-1 or is deemed by h to be lower in value than x. We present an algorithm, show an example where it is more efficient to use local maxima as an indicator function than to employ conventional classification, and derive a suitable generalization bound. Our experiments show that the method is able to outperform one-class classification algorithms in the task of anomaly detection and also provide an additional signal that is extracted in a completely unsupervised way.
• Abstract（参考訳）: 本稿では,ベクトル空間の未知部分集合における未知値関数 v の局所最大値と仮定されるラベルなし点の集合を入力とする,教師なし学習の新しい形式について述べる。 2つの機能が学べます (i)二項分類器である集合表示器c、及び (ii)近傍の2つのサンプルが与えられたコンパレータ関数hは、未知の関数vの値が高いサンプルを予測し、すべてのトレーニングサンプルxがhに従ってvの極大であり、c(x)=1を満たすことを保証するために損失項を用いる。 したがって、c と h は互いに訓練信号を与える: x の近傍にある点 x' は c(x)=-1 を満たすか、h によって x よりも低い値と見なされる。 本稿では,従来の分類法よりも局所極大を指標関数として用いる方が効率的であり,適切な一般化境界を導出するアルゴリズムを提案する。 提案手法は, 異常検出作業において一級分類アルゴリズムより優れており, 完全に教師なしの方法で抽出された付加信号も得られることを示す。

関連論文リスト

• Stochastic Optimization for Non-convex Problem with Inexact Hessian Matrix, Gradient, and Function [99.31457740916815]
  信頼領域(TR)と立方体を用いた適応正則化は、非常に魅力的な理論的性質を持つことが証明されている。 TR法とARC法はヘッセン関数,勾配関数,関数値の非コンパクトな計算を同時に行うことができることを示す。
  論文  参考訳（メタデータ） (2023-10-18T10:29:58Z)
• On Orderings of Probability Vectors and Unsupervised Performance Estimation [6.2163687973613495]
  Linfty$ノルムは分類問題に最も適したスコア関数であることを示す。 我々は、よく知られたNLPデータセットの実験を行い、異なるスコア関数の性能を精査する。
  論文  参考訳（メタデータ） (2023-06-16T20:03:16Z)
• Testing distributional assumptions of learning algorithms [5.204779946147061]
  テストレーナー対 $(mathcalA,mathcalT)$ の設計について検討する。 データ中の例の分布がテスタを$mathcalT$に渡せば、データ上の非依存な$mathcalA$の出力を安全に信頼できることを示す。
  論文  参考訳（メタデータ） (2022-04-14T19:10:53Z)
• Approximate Function Evaluation via Multi-Armed Bandits [51.146684847667125]
  既知の滑らかな関数 $f$ の値を未知の点 $boldsymbolmu in mathbbRn$ で推定する問題について検討する。 我々は、各座標の重要性に応じてサンプルを学習するインスタンス適応アルゴリズムを設計し、少なくとも1-delta$の確率で$epsilon$の正確な推定値である$f(boldsymbolmu)$を返す。
  論文  参考訳（メタデータ） (2022-03-18T18:50:52Z)
• ORSA: Outlier Robust Stacked Aggregation for Best- and Worst-Case Approximations of Ensemble Systems\ [0.0]
  半導体デバイスのためのポストシリコンバリデーション(PSV)では、複数の学習アルゴリズムでデータの基盤となる機能を近似することが課題である。 PSVでは、未知の数のサブセットが、非常に異なる特性を示す関数を記述することが期待されている。 本手法は, オフレーヤに対して堅牢で, 可能な限り多くの型に適用可能な, 最良の, 最悪のケースを示す適切な近似を求めることを目的としている。
  論文  参考訳（メタデータ） (2021-11-17T11:33:46Z)
• Nearly Optimal Algorithms for Level Set Estimation [21.83736847203543]
  線形包帯に対する最近の適応的実験設計手法と関連づけることで, レベルセット推定問題に対する新しいアプローチを提案する。 我々は、我々の境界がほぼ最適であることを示す。すなわち、我々の上限は、しきい値線形帯域に対して既存の下限と一致する。
  論文  参考訳（メタデータ） (2021-11-02T17:45:02Z)
• Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
  現在の運用環境に固有ののは、敵対的機械学習の実践である。 本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。 我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T10:05:10Z)
• Accelerate the Warm-up Stage in the Lasso Computation via a Homotopic Approach [2.538209532048867]
  ホモトピック法は、ラッソ型推定器で使われる$ell_1$ペナルティを近似するために用いられる。 ラッソ型推定器の計算における既存の手法よりも高速な数値収束率を示す。
  論文  参考訳（メタデータ） (2020-10-26T22:37:49Z)
• Differentiable Top-k Operator with Optimal Transport [135.36099648554054]
  SOFTトップk演算子は、エントロピック最適輸送(EOT)問題の解として、トップk演算の出力を近似する。 提案した演算子をk-アネレスト近傍およびビーム探索アルゴリズムに適用し,性能向上を示す。
  論文  参考訳（メタデータ） (2020-02-16T04:57:52Z)
• Complexity of Finding Stationary Points of Nonsmooth Nonconvex Functions [84.49087114959872]
  非滑らかで非滑らかな関数の定常点を見つけるための最初の非漸近解析を提供する。 特に、アダマール半微分可能函数(おそらく非滑らか関数の最大のクラス)について研究する。
  論文  参考訳（メタデータ） (2020-02-10T23:23:04Z)

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。