論文の概要: Online Binary Space Partitioning Forests
- arxiv url: http://arxiv.org/abs/2003.00269v1
- Date: Sat, 29 Feb 2020 14:35:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 20:35:50.583972
- Title: Online Binary Space Partitioning Forests
- Title(参考訳): オンライン二元的空間分割林
- Authors: Xuhui Fan, Bin Li, Scott A. Sisson
- Abstract要約: BSP-Tree(Binary Space Partitioning-Tree)プロセスは空間分割タスクの効率的な戦略として提案されている。
バッチ学習設定のため、BSP-Tree Processは大規模分類や回帰問題には適していない。
この制限に対処するオンラインBSP-Forestフレームワークを開発した。
- 参考スコア(独自算出の注目度): 20.724541655214587
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Binary Space Partitioning-Tree~(BSP-Tree) process was recently proposed
as an efficient strategy for space partitioning tasks. Because it uses more
than one dimension to partition the space, the BSP-Tree Process is more
efficient and flexible than conventional axis-aligned cutting strategies.
However, due to its batch learning setting, it is not well suited to
large-scale classification and regression problems. In this paper, we develop
an online BSP-Forest framework to address this limitation. With the arrival of
new data, the resulting online algorithm can simultaneously expand the space
coverage and refine the partition structure, with guaranteed universal
consistency for both classification and regression problems. The effectiveness
and competitive performance of the online BSP-Forest is verified via
simulations on real-world datasets.
- Abstract(参考訳): BSP-Tree プロセスは空間分割タスクの効率的な戦略として提案されている。
複数の次元を使って空間を分割するため、BSP-Tree Processは従来の軸方向の切断戦略よりも効率的で柔軟である。
しかし、バッチ学習設定のため、大規模な分類や回帰問題には適していない。
本稿では,この制限に対処するオンラインBSP-Forestフレームワークを開発する。
新しいデータが登場すると、オンラインアルゴリズムは空間範囲を拡大し、分割構造を洗練し、分類問題と回帰問題の両方に対して普遍的な一貫性を保証できる。
オンラインBSP-Forestの有効性と競争性能は、実世界のデータセット上でシミュレーションによって検証される。
関連論文リスト
- Efficient Architecture Search via Bi-level Data Pruning [70.29970746807882]
この研究は、DARTSの双方向最適化におけるデータセット特性の重要な役割を探求する先駆者となった。
我々は、スーパーネット予測力学を計量として活用する新しいプログレッシブデータプルーニング戦略を導入する。
NAS-Bench-201サーチスペース、DARTSサーチスペース、MobileNetのようなサーチスペースに関する総合的な評価は、BDPがサーチコストを50%以上削減することを検証する。
論文 参考訳(メタデータ) (2023-12-21T02:48:44Z) - Adaptive Discretization using Voronoi Trees for Continuous POMDPs [7.713622698801596]
我々は,Voronoi Trees (ADVT) を用いた適応離散化(Adaptive Discretization)と呼ばれる新しいサンプリングベースのオンラインPOMDPソルバを提案する。
モンテカルロ木探索と、作用空間の適応的な離散化と、楽観的な最適化を組み合わせて、高次元連続作用空間を効率的にサンプリングする。
ADVTは、最先端の手法と比較して、高次元の連続的な作用空間よりもかなり良くスケールする。
論文 参考訳(メタデータ) (2023-02-21T04:47:34Z) - flexBART: Flexible Bayesian regression trees with categorical predictors [1.0152838128195467]
ベイズ加法回帰木 (BART) のほとんどの実装は、カテゴリ予測を符号化し、それぞれを複数のバイナリインジケータに置き換えている。
決定ツリーノードの両ブランチに複数のレベルを割り当てるレグレッションツリーでBARTを再実装します。
flexBARTパッケージで利用可能な再実装は、しばしばサンプル外の予測性能を改善し、より大きなデータセットにスケールする。
論文 参考訳(メタデータ) (2022-11-08T18:52:37Z) - Adaptive Discretization using Voronoi Trees for Continuous-Action POMDPs [7.713622698801596]
我々は,Voronoi Trees (ADVT) を用いた適応離散化(Adaptive Discretization)と呼ばれる新しいサンプリングベースのオンラインPOMDPソルバを提案する。
ADVTはモンテカルロ木探索とアクション空間の適応的な離散化と楽観的な最適化を併用する。
4種類のベンチマーク問題のシミュレーション実験により、ADVTは高次元連続行動空間よりも優れ、スケールがかなり優れていることが示されている。
論文 参考訳(メタデータ) (2022-09-13T05:04:49Z) - Quant-BnB: A Scalable Branch-and-Bound Method for Optimal Decision Trees
with Continuous Features [5.663538370244174]
本稿では,分岐とバウンド(BnB)に基づく新たな離散最適化手法を提案する。
提案アルゴリズムのQuant-BnBは,様々な実データセット上での浅い最適木に対する既存手法と比較して,大幅な高速化を示す。
論文 参考訳(メタデータ) (2022-06-23T17:19:29Z) - DeHIN: A Decentralized Framework for Embedding Large-scale Heterogeneous
Information Networks [64.62314068155997]
本稿では,異種情報ネットワーク(DeHIN)のための分散埋め込みフレームワークについて述べる。
DeHINは、大きなHINをハイパーグラフとして革新的に定式化するコンテキスト保存分割機構を提供する。
当社のフレームワークでは,木のようなパイプラインを採用することで,効率よくHINを分割する分散戦略を採用しています。
論文 参考訳(メタデータ) (2022-01-08T04:08:36Z) - JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。
GP-UCBに類似した条件下では, 応答が得られないことを示す。
実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
論文 参考訳(メタデータ) (2021-06-02T05:03:38Z) - Improved Branch and Bound for Neural Network Verification via Lagrangian
Decomposition [161.09660864941603]
ニューラルネットワークの入出力特性を公式に証明するためのブランチとバウンド(BaB)アルゴリズムのスケーラビリティを改善します。
活性化に基づく新しい分岐戦略とBaBフレームワークであるブランチとデュアルネットワーク境界(BaDNB)を提案する。
BaDNBは、従来の完全検証システムを大きなマージンで上回り、対数特性で平均検証時間を最大50倍に削減した。
論文 参考訳(メタデータ) (2021-04-14T09:22:42Z) - Growing Deep Forests Efficiently with Soft Routing and Learned
Connectivity [79.83903179393164]
この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。
我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。
MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
論文 参考訳(メタデータ) (2020-12-29T18:05:05Z) - Joint Parameter-and-Bandwidth Allocation for Improving the Efficiency of
Partitioned Edge Learning [73.82875010696849]
機械学習アルゴリズムは、人工知能(AI)モデルをトレーニングするために、ネットワークエッジにデプロイされる。
本稿では,パラメータ(計算負荷)割り当てと帯域幅割り当ての新しい共同設計に焦点を当てる。
論文 参考訳(メタデータ) (2020-03-10T05:52:15Z)
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。