論文の概要: Multi-label learning for dynamic model type recommendation

• arxiv url: http://arxiv.org/abs/2004.00558v1
• Date: Wed, 1 Apr 2020 16:42:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 18:10:24.041931
• Title: Multi-label learning for dynamic model type recommendation
• Title（参考訳）: 動的モデル型推薦のためのマルチラベル学習
• Authors: Mariana A. Souza, Robert Sabourin, George D. C. Cavalcanti and Rafael M. O. Cruz
• Abstract要約: 本稿では,オンラインローカルプール(OLP)技術のための問題非依存型動的ベースクラス化モデルを提案する。 提案するフレームワークは,関連するモデルタイプセットを推奨するマルチラベルメタ分類器を構築する。 実験の結果、異なるデータ分布は局所的な範囲で異なるモデルタイプを好んだ。
• 参考スコア（独自算出の注目度）: 13.304462985219237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic selection techniques aim at selecting the local experts around each test sample in particular for performing its classification. While generating the classifier on a local scope may make it easier for singling out the locally competent ones, as in the online local pool (OLP) technique, using the same base-classifier model in uneven distributions may restrict the local level of competence, since each region may have a data distribution that favors one model over the others. Thus, we propose in this work a problem-independent dynamic base-classifier model recommendation for the OLP technique, which uses information regarding the behavior of a portfolio of models over the samples of different problems to recommend one (or several) of them on a per-instance manner. Our proposed framework builds a multi-label meta-classifier responsible for recommending a set of relevant model types based on the local data complexity of the region surrounding each test sample. The OLP technique then produces a local pool with the model that yields the highest probability score of the meta-classifier. Experimental results show that different data distributions favored different model types on a local scope. Moreover, based on the performance of an ideal model type selector, it was observed that there is a clear advantage in choosing a relevant model type for each test instance. Overall, the proposed model type recommender system yielded a statistically similar performance to the original OLP with fixed base-classifier model. Given the novelty of the approach and the gap in performance between the proposed framework and the ideal selector, we regard this as a promising research direction. Code available at github.com/marianaasouza/dynamic-model-recommender.
• Abstract（参考訳）: 動的選択手法は、各テストサンプルの周辺、特にその分類を行うための地域の専門家を選ぶことを目的としている。 ローカルスコープで分類器を生成することで、オンラインローカルプール(OLP)技術のように、局所的な有能なものを歌い出すのが容易になるが、不均一な分布で同じベース分類器モデルを使用すると、各領域は、他の領域よりも1つのモデルを好むデータ分布を持つため、局所的な能力のレベルを制限することができる。 そこで本研究では,OLP手法における問題に依存しない動的ベースクラス化モデルの提案を提案する。 提案するフレームワークは,各テストサンプルを取り巻く領域の局所的データ複雑さに基づいて,関連するモデル型のセットを推奨するマルチラベルメタ分類器を構築する。 OLP手法は、メタ分類器の最高確率スコアを得るモデルを持つ局所プールを生成する。 実験の結果、異なるデータ分布は局所的な範囲で異なるモデルタイプを好んだ。 さらに、理想的なモデルタイプセレクタの性能に基づいて、テストインスタンスごとに関連するモデルタイプを選択することに明確な利点があることが観察された。 全体として,提案するモデル型レコメンダシステムは,固定ベース分類モデルを用いたオリジナルのolpと統計的に類似した性能を示した。 提案手法の斬新さと,提案するフレームワークと理想的なセレクタとの間の性能のギャップを考えると,これを有望な研究方向とみなす。 github.com/marianaasouza/dynamic-model-recommenderで利用可能なコード。

関連論文リスト

• Embedding-based statistical inference on generative models [10.948308354932639]
  生成モデルの埋め込みに基づく表現に関する結果を、古典的な統計的推論設定に拡張する。 類似」の概念の基盤として視点空間を用いることは、複数のモデルレベルの推論タスクに有効であることを示す。
  論文  参考訳（メタデータ） (2024-10-01T22:28:39Z)
• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• A Two-Phase Recall-and-Select Framework for Fast Model Selection [13.385915962994806]
  本稿では,2相モデル選択フレームワークを提案する。 これは、ベンチマークデータセット上でモデルのトレーニングパフォーマンスを活用することにより、堅牢なモデルを選択する効率を高めることを目的としている。 提案手法は,従来のベースライン法に比べて約3倍の速度でハイパフォーマンスモデルの選択を容易にすることが実証された。
  論文  参考訳（メタデータ） (2024-03-28T14:44:44Z)
• Universal Semi-supervised Model Adaptation via Collaborative Consistency Training [92.52892510093037]
  我々は、Universal Semi-supervised Model Adaptation (USMA)と呼ばれる現実的で挑戦的なドメイン適応問題を導入する。 本稿では,2つのモデル間の予測整合性を規則化する協調的整合性トレーニングフレームワークを提案する。 実験により,いくつかのベンチマークデータセットにおける本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-07-07T08:19:40Z)
• Clustering Indices based Automatic Classification Model Selection [16.096824533334352]
  そこで本研究では,候補モデルクラスから自動分類モデル選択を行う手法を提案する。 データセットクラスタリング指標を計算し、学習した回帰器を用いて予測された分類性能を直接予測する。 また,モデル選択法に基づくデータ分類のためのエンドツーエンド自動MLシステムを提案する。
  論文  参考訳（メタデータ） (2023-05-23T10:52:37Z)
• Improving Heterogeneous Model Reuse by Density Estimation [105.97036205113258]
  本稿では,異なる参加者の個人データを用いてモデルを学習することを目的とした多人数学習について検討する。 モデルの再利用は、各パーティーのためにローカルモデルがトレーニングされていると仮定して、マルチパーティの学習にとって有望なソリューションである。
  論文  参考訳（メタデータ） (2023-05-23T09:46:54Z)
• A Prototype-Oriented Clustering for Domain Shift with Source Privacy [66.67700676888629]
  本稿では,PCD(Prototype-oriented Clustering with Distillation)を導入し,既存の手法の性能と適用性を向上させる。 PCDはまず、プロトタイプとデータの分布を整列することで、ソースクラスタリングモデルを構築する。 その後、ソースモデルが提供するクラスタラベルを通じてターゲットモデルに知識を蒸留し、同時にターゲットデータをクラスタ化する。
  論文  参考訳（メタデータ） (2023-02-08T00:15:35Z)
• PAMI: partition input and aggregate outputs for model interpretation [69.42924964776766]
  本研究では、深層学習モデルが局所的な特徴を集約してモデル予測を行うという観察に基づいて、PAMIと呼ばれるシンプルで効果的な可視化フレームワークを提案する。 基本的な考え方は、入力の大多数を隠蔽し、元のモデル予測に対する保存された入力部の相対的な寄与として対応するモデル出力を使用することである。 複数のタスクに対する大規模な実験により,提案手法は,クラス固有の入力領域をより正確に見つけるために,既存の可視化手法よりも優れていることを確認した。
  論文  参考訳（メタデータ） (2023-02-07T08:48:34Z)
• A parallelizable model-based approach for marginal and multivariate clustering [0.0]
  本稿では,モデルに基づくクラスタリングの頑健さを生かしたクラスタリング手法を提案する。 我々は、各マージンごとに異なる数のクラスタを持つことができる有限混合モデルを指定することで、この問題に対処する。 提案手法は、完全な(結合した)モデルベースのクラスタリング手法よりも、中程度から高次元の処理に適するだけでなく、計算的にも魅力的である。
  論文  参考訳（メタデータ） (2022-12-07T23:54:41Z)
• Locate This, Not That: Class-Conditioned Sound Event DOA Estimation [50.74947937253836]
  我々は,すべてのクラスに常に興味を持っていないような状況に対して,クラス条件のSELDモデルを提案する。 このクラス条件SELDモデルは、音ファイルから空間的特徴とスペクトル的特徴を入力として、また、現在私たちが関心を持っているクラスを示す1ホットベクトルである。
  論文  参考訳（メタデータ） (2022-03-08T16:49:15Z)
• Semi-nonparametric Latent Class Choice Model with a Flexible Class Membership Component: A Mixture Model Approach [6.509758931804479]
  提案したモデルは、従来のランダムユーティリティ仕様に代わるアプローチとして混合モデルを用いて潜在クラスを定式化する。 その結果,混合モデルにより潜在クラス選択モデル全体の性能が向上した。
  論文  参考訳（メタデータ） (2020-07-06T13:19:26Z)

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。