論文の概要: Metric Learning for Ordered Labeled Trees with pq-grams

• arxiv url: http://arxiv.org/abs/2003.03960v1
• Date: Mon, 9 Mar 2020 08:04:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 07:57:15.443702
• Title: Metric Learning for Ordered Labeled Trees with pq-grams
• Title（参考訳）: pq-gramを用いた順序付きラベル付き木の計量学習
• Authors: Hikaru Shindo, Masaaki Nishino, Yasuaki Kobayashi, Akihiro Yamamoto
• Abstract要約: pq-gram を用いた木構造データに対する新しい計量学習手法を提案する。 pq-gram 距離は順序付きラベル付き木の距離であり、木編集距離よりも計算コストがはるかに低い。 提案手法は,最先端の編集距離に基づく手法を用いて,競合的な結果が得られることを実証的に示す。
• 参考スコア（独自算出の注目度）: 11.284638114256712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computing the similarity between two data points plays a vital role in many machine learning algorithms. Metric learning has the aim of learning a good metric automatically from data. Most existing studies on metric learning for tree-structured data have adopted the approach of learning the tree edit distance. However, the edit distance is not amenable for big data analysis because it incurs high computation cost. In this paper, we propose a new metric learning approach for tree-structured data with pq-grams. The pq-gram distance is a distance for ordered labeled trees, and has much lower computation cost than the tree edit distance. In order to perform metric learning based on pq-grams, we propose a new differentiable parameterized distance, weighted pq-gram distance. We also propose a way to learn the proposed distance based on Large Margin Nearest Neighbors (LMNN), which is a well-studied and practical metric learning scheme. We formulate the metric learning problem as an optimization problem and use the gradient descent technique to perform metric learning. We empirically show that the proposed approach not only achieves competitive results with the state-of-the-art edit distance-based methods in various classification problems, but also solves the classification problems much more rapidly than the edit distance-based methods.
• Abstract（参考訳）: 2つのデータポイント間の類似性を計算することは、多くの機械学習アルゴリズムにおいて重要な役割を果たす。 メトリック学習は、データから適切なメトリックを自動的に学習することを目的としています。 木構造データの計量学習に関する既存の研究は、木編集距離を学習するアプローチを採用している。 しかし,その編集距離は計算コストが高いため,ビッグデータ解析には適していない。 本稿では,pq-gramを用いた木構造データのための新しいメトリック学習手法を提案する。 pq-gram距離は順序付きラベル付き木の距離であり、ツリー編集距離よりもはるかに低い計算コストを持つ。 pq-grams に基づく計量学習を実現するため,新しいパラメータ化距離,重み付き pq-gram 距離を提案する。 また,提案手法は, よく研究され,実践的な計量学習手法であるLarge Margin Nearest Neighbors (LMNN) に基づいて,提案した距離を学習する方法を提案する。 メトリック学習問題を最適化問題として定式化し,勾配降下法を用いてメトリック学習を行う。 提案手法は,様々な分類問題において最先端の編集距離法と競合する結果を得るだけでなく,編集距離法よりも高速に分類問題を解くことができることを示す。

関連論文リスト

• LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
  本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。 GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
  論文  参考訳（メタデータ） (2024-06-29T05:14:04Z)
• A simple way to learn metrics between attributed graphs [11.207372645301094]
  トレーニング可能なパラメータがほとんどないSGMLモデルを提案する。 このモデルにより、ラベル付き(分散)グラフのデータベースから適切な距離を構築することができ、単純な分類アルゴリズムの性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-09-26T14:32:38Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• Towards Interpretable Deep Metric Learning with Structural Matching [86.16700459215383]
  より透過的な埋め込み学習のための深層解釈可能なメトリック学習(DIML)法を提案する。 本手法は,既製のバックボーンネットワークやメトリック学習手法に適用可能な,モデルに依存しない手法である。 我々は,CUB200-2011,Cars196,Stanford Online Productsの3つの大規模メトリクス学習ベンチマークで評価を行った。
  論文  参考訳（メタデータ） (2021-08-12T17:59:09Z)
• Distance Metric Learning through Minimization of the Free Energy [0.825845106786193]
  本稿では, 統計物理学の概念に基づく簡単なアプローチを提案し, 与えられた問題に対する最適距離計量を学習する。 物理学における多くの問題と同様に、我々はメトロポリス・モンテカルロに基づくアプローチを提案し、最良の距離計量を求める。 提案手法は局所最小値を含む様々な制約を扱える。
  論文  参考訳（メタデータ） (2021-06-10T04:54:25Z)
• Supervised Tree-Wasserstein Distance [21.9998734051455]
  そこで本研究では,木メータに基づく高速かつ教師付きメトリック学習手法であるSupervised Tree-Wasserstein (STW) 距離を提案する。 我々はSTW距離を高速に計算できることを示し、文書分類タスクの精度を向上させる。
  論文  参考訳（メタデータ） (2021-01-27T16:24:51Z)
• Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
  深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。 本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
  論文  参考訳（メタデータ） (2020-11-16T06:51:55Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)
• Provably Robust Metric Learning [98.50580215125142]
  既存のメトリクス学習アルゴリズムは、ユークリッド距離よりもロバストなメトリクスをもたらすことを示す。 対向摂動に対して頑健なマハラノビス距離を求めるための新しい距離学習アルゴリズムを提案する。 実験結果から,提案アルゴリズムは証明済みの堅牢な誤りと経験的堅牢な誤りの両方を改善した。
  論文  参考訳（メタデータ） (2020-06-12T09:17:08Z)
• A Practical Index Structure Supporting Fr\'echet Proximity Queries Among Trajectories [1.9335262420787858]
  我々は、計算コストの高いメトリクスの下で、レンジと近隣クエリに$k$のスケーラブルなアプローチを提案する。 計量指標のクラスタリングに基づいて,軌跡数に線形な木構造を求める。 本研究では,多種多様な合成および実世界のデータセットに関する広範な実験により,本手法の有効性と有効性について分析する。
  論文  参考訳（メタデータ） (2020-05-28T04:12:43Z)
• Supervised Categorical Metric Learning with Schatten p-Norms [10.995886294197412]
  そこで我々は,分類データにおける計量学習の問題に対処する手法としてCPML(CPML)を提案する。 我々は、データを表すためにValue Distance Metricを使用し、この表現に基づいて新しい距離を提案する。 次に、新しいメトリクスを効率的に学習する方法を示します。
  論文  参考訳（メタデータ） (2020-02-26T01:17:12Z)

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。