Fugu-MT 論文翻訳(概要): IPBoost -- Non-Convex Boosting via Integer Programming

論文の概要: IPBoost -- Non-Convex Boosting via Integer Programming

arxiv url: http://arxiv.org/abs/2002.04679v1
Date: Tue, 11 Feb 2020 21:00:03 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 01:53:36.708887
Title: IPBoost -- Non-Convex Boosting via Integer Programming
Title（参考訳）: IPBoost -- 整数プログラミングによる非凸ブースティング
Authors: Marc E. Pfetsch and Sebastian Pokutta
Abstract要約: 我々は、整数プログラミングによる分類における非世界的促進について検討し、そのアプローチの実践性を実証する。現在の最先端技術と同等かそれ以上の成果を報告します。
参考スコア（独自算出の注目度）: 24.163754745105212
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently non-convex optimization approaches for solving machine learning problems have gained significant attention. In this paper we explore non-convex boosting in classification by means of integer programming and demonstrate real-world practicability of the approach while circumventing shortcomings of convex boosting approaches. We report results that are comparable to or better than the current state-of-the-art.
Abstract（参考訳）: 近年,機械学習問題に対する非凸最適化手法が注目されている。本稿では,整数型プログラミングによる分類における非凸型ブースティングを考察し,凸型ブースティングアプローチの欠点を回避しつつ,このアプローチの現実的実用性を示す。現在の最先端技術と同等かそれ以上の成果を報告します。

関連論文リスト

Sample-Efficient Agnostic Boosting [19.15484761265653]
経験的リスク最小化(Empirical Risk Minimization, ERM)は、既知のすべてのブースティングアルゴリズムよりも4次的に標本効率が高いという、不可知的なブースティング手法を超越している。アルゴリズムの重要な特徴は、一様収束引数のブラックボックスアプリケーションで得られるものよりも厳密な一般化誤差を保証しつつ、複数ラウンドのブースティングのサンプルを再利用する能力を活用することである。
論文参考訳（メタデータ） (2024-10-31T04:50:29Z)
How to Boost Any Loss Function [63.573324901948716]
損失関数はブースティングにより最適化可能であることを示す。また、古典的な$0の注文設定でまだ不可能な成果を達成できることも示しています。
論文参考訳（メタデータ） (2024-07-02T14:08:23Z)
Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文参考訳（メタデータ） (2023-07-17T20:11:56Z)
Online Agnostic Multiclass Boosting [20.22409095000365]
オンライン・アグノスティック・ミュートリクラス分類のための最初のブースティング・アルゴリズムを提案する。我々の削減により、統計的非依存、オンライン実現可能、および統計的実現可能なマルチクラスブースティングのためのアルゴリズムの構築が可能となった。
論文参考訳（メタデータ） (2022-05-30T13:59:55Z)
A Boosting Approach to Reinforcement Learning [59.46285581748018]
複雑度が状態数に依存しない意思決定プロセスにおける強化学習のための効率的なアルゴリズムについて検討する。このような弱い学習手法の精度を向上させることができる効率的なアルゴリズムを提供する。
論文参考訳（メタデータ） (2021-08-22T16:00:45Z)
Boosting for Online Convex Optimization [64.15578413206715]
多数の専門家とオンライン凸最適化の意思決定フレームワークを検討します。弱学習アルゴリズムは、基本クラスの専門家に対するおよその後悔を保証するメカニズムとして定義します。ベースクラスの凸船体に対するほぼ最適の後悔を保証する効率的なブースティングアルゴリズムを提供します。
論文参考訳（メタデータ） (2021-02-18T12:30:49Z)
Recent Theoretical Advances in Non-Convex Optimization [56.88981258425256]
近年、深層ネットワークにおける非最適化アルゴリズムの解析やデータ問題への関心が高まっており、非最適化のための理論的最適化アルゴリズムの最近の結果の概要を概説する。
論文参考訳（メタデータ） (2020-12-11T08:28:51Z)
MP-Boost: Minipatch Boosting via Adaptive Feature and Observation Sampling [0.0]
MP-BoostはAdaBoostを緩くベースとしたアルゴリズムで、インスタンスと機能の小さなサブセットを適応的に選択することで学習する。様々な二項分類タスクにおいて,提案手法の解釈可能性,比較精度,計算時間について実験的に検証した。
論文参考訳（メタデータ） (2020-11-14T04:26:13Z)
On the Dual Formulation of Boosting Algorithms [92.74617630106559]
AdaBoost,LogitBoost,Soft-marginBoostのラグランジュ問題は、すべて一般化されたヒンジ損失エントロピーの双対問題であることを示す。これらのブースティングアルゴリズムの2つの問題を見て、より良いマージン分布を維持するという観点から、ブースティングの成功を理解することができることを示す。
論文参考訳（メタデータ） (2009-01-23T02:14:42Z)

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。