論文の概要: A stochastic approach to handle knapsack problems in the creation of
ensembles
- arxiv url: http://arxiv.org/abs/2004.08101v1
- Date: Fri, 17 Apr 2020 08:06:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 12:58:32.316668
- Title: A stochastic approach to handle knapsack problems in the creation of
ensembles
- Title（参考訳）: アンサンブル生成におけるknapsack問題に対する確率論的アプローチ
- Authors: Andras Hajdu, Gyorgy Terdik, Attila Tiba, Henrietta Toman
- Abstract要約: 会員の総費用に対する追加の制約の下でアンサンブルの作成について検討する。
このタスクはknapsack問題として定式化することができ、そこではエネルギーはいくつかのアグリゲーションルールによって形成されるアンサンブル精度である。
本稿では,エネルギーを部材の合同確率関数とみなす新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ensemble-based methods are highly popular approaches that increase the
accuracy of a decision by aggregating the opinions of individual voters. The
common point is to maximize accuracy; however, a natural limitation occurs if
incremental costs are also assigned to the individual voters. Consequently, we
investigate creating ensembles under an additional constraint on the total cost
of the members. This task can be formulated as a knapsack problem, where the
energy is the ensemble accuracy formed by some aggregation rules. However, the
generally applied aggregation rules lead to a nonseparable energy function,
which takes the common solution tools -- such as dynamic programming -- out of
action. We introduce a novel stochastic approach that considers the energy as
the joint probability function of the member accuracies. This type of knowledge
can be efficiently incorporated in a stochastic search process as a stopping
rule, since we have the information on the expected accuracy or, alternatively,
the probability of finding more accurate ensembles. Experimental analyses of
the created ensembles of pattern classifiers and object detectors confirm the
efficiency of our approach. Moreover, we propose a novel stochastic search
strategy that better fits the energy, compared with general approaches such as
simulated annealing.
- Abstract（参考訳）: アンサンブルに基づく手法は、個々の有権者の意見を集約することで、決定の正確性を高める非常に一般的なアプローチである。
一般的なポイントは精度を最大化することであるが、個別の有権者に増分費用を割り当てる場合、自然な制限が発生する。
その結果,メンバーの総コストに制約を加えたアンサンブルの制作について検討した。
このタスクはknapsack問題として定式化することができ、そこではエネルギーはいくつかの集約規則によって形成されるアンサンブル精度である。
しかし、一般的に適用される集約ルールは分離不可能なエネルギー関数につながり、動的プログラミングのような一般的なソリューションツールが動作不能になる。
本稿では,エネルギーを部材の共役確率関数とみなす新しい確率的アプローチを提案する。
このタイプの知識は、予測された正確性に関する情報、または、より正確なアンサンブルを見つける確率があるため、確率的探索過程において停止規則として効率的に組み込むことができる。
パターン分類器と物体検出器のアンサンブルの実験的解析により,本手法の有効性が確認された。
さらに,シミュレート・アニーリングのような一般的なアプローチと比較して,エネルギーに適合する新しい確率的探索戦略を提案する。
関連論文リスト
- Generalized Coverage for More Robust Low-Budget Active Learning [17.547993023092562]
ProbCoverは、選択したデータポイントで与えられた半径のボールでデータ分布を"カバー"しようとする。
本稿では,ProbCoverのアルゴリズムを一般化して,このカバレッジを最適化する効率的なグリージー手法を提案する。
総合的な実験では、MaxHerdingは複数の低予算画像分類ベンチマークで既存のアクティブな学習方法を上回っている。
論文 参考訳（メタデータ） (2024-07-16T23:21:51Z) - A Generalized Multiscale Bundle-Based Hyperspectral Sparse Unmixing
Algorithm [8.616208042031877]
ハイパースペクトルスパースアンミックスでは、空間領域における終端員の変動に対処するためにスペクトル束を用いることに成功した。
我々は,群間隔誘導混合ノルムを組み込むことにより,非混合問題を解くために,マルチスケール空間正規化手法を一般化する。
論文 参考訳（メタデータ） (2024-01-24T00:37:14Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - Addressing The Knapsack Challenge Through Cultural Algorithm
Optimization [0.0]
我々は,0-1knapsack問題の解法に特化して設計された,新しい文化アルゴリズムの変種を紹介する。
提案アルゴリズムは,集団を改良するための信念空間と,交叉率と突然変異率を動的に調節する2つの重要な機能を導入している。
我々は,このアルゴリズムがグローバルな最適点を一貫して見つけ出す上で,顕著な効率性を示す証拠を提供する。
論文 参考訳（メタデータ） (2023-10-30T17:05:19Z) - Sample Complexity for Quadratic Bandits: Hessian Dependent Bounds and
Optimal Algorithms [64.10576998630981]
最適なヘッセン依存型サンプルの複雑さを, 初めて厳密に評価した。
ヘシアン非依存のアルゴリズムは、すべてのヘシアンインスタンスに対して最適なサンプル複雑さを普遍的に達成する。
本アルゴリズムにより得られたサンプルの最適複雑さは,重み付き雑音分布においても有効である。
論文 参考訳（メタデータ） (2023-06-21T17:03:22Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Frequent Itemset-driven Search for Finding Minimum Node Separators in
Complex Networks [61.2383572324176]
本稿では,データマイニングにおける頻繁なアイテムセットマイニングの概念をよく知られたメメティック検索フレームワークに統合する,頻繁なアイテムセット駆動探索手法を提案する。
頻繁なアイテムセット組換え演算子を反復的に使用して、高品質なソリューションで頻繁に発生するアイテムセットに基づいた有望な子孫ソリューションを生成する。
特に、29個の新しい上界を発見し、以前の18個の最もよく知られた境界と一致する。
論文 参考訳（メタデータ） (2022-01-18T11:16:40Z) - A Stochastic Newton Algorithm for Distributed Convex Optimization [62.20732134991661]
均質な分散凸最適化のためのNewtonアルゴリズムを解析し、各マシンが同じ人口目標の勾配を計算する。
提案手法は,既存の手法と比較して,性能を損なうことなく,必要な通信ラウンドの数,頻度を低減できることを示す。
論文 参考訳（メタデータ） (2021-10-07T17:51:10Z) - Learning Stochastic Majority Votes by Minimizing a PAC-Bayes
Generalization Bound [15.557653926558638]
分類器の有限アンサンブルに対する多数票の対について検討し、その一般化特性について検討する。
ディリクレ分布でインスタンス化し、予測されるリスクに対して閉じた形式と微分可能な表現を可能にする。
結果の多数決学習アルゴリズムは、最先端の精度と(非空きな)厳密な境界から恩恵を得る。
論文 参考訳（メタデータ） (2021-06-23T16:57:23Z) - Root-finding Approaches for Computing Conformal Prediction Set [18.405645120971496]
共形予測は、以前の同一分布および交換可能な観測に基づいて、特徴ベクトルの未観測応答に対する信頼領域を構築する。
我々は,共形予測集合が古典的ルートフィンディングソフトウェアによって効率的に近似できる区間であるという事実を活用する。
論文 参考訳（メタデータ） (2021-04-14T06:41:12Z) - Stochastic Saddle-Point Optimization for Wasserstein Barycenters [69.68068088508505]
オンラインデータストリームによって生成される有限個の点からなるランダムな確率測度に対する人口推定バリセンタ問題を考察する。
本稿では,この問題の構造を用いて,凸凹型サドル点再構成を行う。
ランダム確率測度の分布が離散的な場合、最適化アルゴリズムを提案し、その複雑性を推定する。
論文 参考訳（メタデータ） (2020-06-11T19:40:38Z)
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。