論文の概要: Uncovering Coresets for Classification With Multi-Objective Evolutionary Algorithms

• arxiv url: http://arxiv.org/abs/2002.08645v1
• Date: Thu, 20 Feb 2020 09:59:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 06:14:25.785064
• Title: Uncovering Coresets for Classification With Multi-Objective Evolutionary Algorithms
• Title（参考訳）: 多目的進化アルゴリズムを用いたコアセットの分類
• Authors: Pietro Barbiero, Giovanni Squillero, Alberto Tonda
• Abstract要約: coresetはトレーニングセットのサブセットであり、機械学習アルゴリズムが元のデータ全体にわたってトレーニングされた場合の成果と同じようなパフォーマンスを取得する。 候補コルセットは反復的に最適化され、サンプルの追加と削除が行われる。 多目的進化アルゴリズムは、集合内の点数と分類誤差を同時に最小化するために用いられる。
• 参考スコア（独自算出の注目度）: 0.8057006406834467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A coreset is a subset of the training set, using which a machine learning algorithm obtains performances similar to what it would deliver if trained over the whole original data. Coreset discovery is an active and open line of research as it allows improving training speed for the algorithms and may help human understanding the results. Building on previous works, a novel approach is presented: candidate corsets are iteratively optimized, adding and removing samples. As there is an obvious trade-off between limiting training size and quality of the results, a multi-objective evolutionary algorithm is used to minimize simultaneously the number of points in the set and the classification error. Experimental results on non-trivial benchmarks show that the proposed approach is able to deliver results that allow a classifier to obtain lower error and better ability of generalizing on unseen data than state-of-the-art coreset discovery techniques.
• Abstract（参考訳）: coresetはトレーニングセットのサブセットであり、機械学習アルゴリズムが元のデータ全体にわたってトレーニングされた場合の成果と同じようなパフォーマンスを取得する。 coreset discoveryは、アルゴリズムのトレーニング速度を向上し、結果を理解するのに役立つため、アクティブでオープンな研究のラインである。 候補コーセットは反復的に最適化され、サンプルの追加と削除が行われる。 トレーニングサイズと結果の品質の制限の間に明らかなトレードオフがあるため、集合内の点数と分類誤差を同時に最小化するために多目的進化アルゴリズムが使用される。 非自明なベンチマークによる実験結果から,提案手法は,最先端のコアセット発見技術よりも,分類器が低いエラーと,未検出のデータを一般化する能力を得ることができることを示した。

関連論文リスト

• Refined Coreset Selection: Towards Minimal Coreset Size under Model Performance Constraints [69.27190330994635]
  コアセットの選択は、計算コストの削減とディープラーニングアルゴリズムのデータ処理の高速化に強力である。 本稿では,モデル性能とコアセットサイズに対する最適化優先順序を維持する革新的な手法を提案する。 実験的に、広範な実験によりその優位性が確認され、しばしばより小さなコアセットサイズでモデル性能が向上する。
  論文  参考訳（メタデータ） (2023-11-15T03:43:04Z)
• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• Composable Core-sets for Diversity Approximation on Multi-Dataset Streams [4.765131728094872]
  構成可能なコアセットはコアセットであり、コアセットのサブセットを結合して元のデータに対する近似を得るという性質を持つ。 本研究では,構成可能なコアセットを構築するためのコアセット構築アルゴリズムを導入し,アクティブな学習環境におけるストリームデータを要約する。
  論文  参考訳（メタデータ） (2023-08-10T23:24:51Z)
• Probabilistic Bilevel Coreset Selection [24.874967723659022]
  本稿では,各トレーニングサンプルの確率的重みを学習することにより,コアセット選択の連続確率的2レベル定式化を提案する。 暗黙的な微分の問題を伴わずに、偏りのない政策勾配を経由し、二段階最適化問題に対する効率的な解法を開発する。
  論文  参考訳（メタデータ） (2023-01-24T09:37:00Z)
• A Boosting Approach to Constructing an Ensemble Stack [1.0775419935941009]
  プログラムのスタック構築にブースティングを用いる,分類のための進化的アンサンブル学習手法を提案する。 残留データセットに対するトレーニングは、トレーニングコストを積極的に削減する。 ベンチマーク研究は、現在最先端の進化的アンサンブル学習アルゴリズムの予測精度と競争性を示すために行われた。
  論文  参考訳（メタデータ） (2022-11-28T18:21:36Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• Adaptive Second Order Coresets for Data-efficient Machine Learning [5.362258158646462]
  データセット上で機械学習モデルをトレーニングすると、かなりの計算コストが発生する。 機械学習のためのトレーニング例のサブセットを抽出するために,AdaCoreを提案する。
  論文  参考訳（メタデータ） (2022-07-28T05:43:09Z)
• Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
  クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。 表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
  論文  参考訳（メタデータ） (2022-06-16T11:44:11Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)

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。