論文の概要: Constructing Complexity-efficient Features in XCS with Tree-based Rule Conditions

• arxiv url: http://arxiv.org/abs/2004.10978v1
• Date: Thu, 23 Apr 2020 05:41:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 08:53:01.202021
• Title: Constructing Complexity-efficient Features in XCS with Tree-based Rule Conditions
• Title（参考訳）: 木型規則条件を用いたxcsの複雑性効率機能の構築
• Authors: Trung B. Nguyen, Will N. Browne, Mengjie Zhang
• Abstract要約: 機械学習の主な目標は、無関係な情報を抽象化するテクニックを作ることである。 本稿では,XOFにおけるコードフラグメント(CF)の構造的効率を最適化することを目的とする。
• 参考スコア（独自算出の注目度）: 3.0538120180981294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A major goal of machine learning is to create techniques that abstract away irrelevant information. The generalisation property of standard Learning Classifier System (LCS) removes such information at the feature level but not at the feature interaction level. Code Fragments (CFs), a form of tree-based programs, introduced feature manipulation to discover important interactions, but they often contain irrelevant information, which causes structural inefficiency. XOF is a recently introduced LCS that uses CFs to encode building blocks of knowledge about feature interaction. This paper aims to optimise the structural efficiency of CFs in XOF. We propose two measures to improve constructing CFs to achieve this goal. Firstly, a new CF-fitness update estimates the applicability of CFs that also considers the structural complexity. The second measure we can use is a niche-based method of generating CFs. These approaches were tested on Even-parity and Hierarchical problems, which require highly complex combinations of input features to capture the data patterns. The results show that the proposed methods significantly increase the structural efficiency of CFs, which is estimated by the rule "generality rate". This results in faster learning performance in the Hierarchical Majority-on problem. Furthermore, a user-set depth limit for CF generation is not needed as the learning agent will not adopt higher-level CFs once optimal CFs are constructed.
• Abstract（参考訳）: 機械学習の主な目標は、無関係な情報を抽象化するテクニックを作ることである。 標準学習分類システム(LCS)の一般化特性は,機能レベルの情報を取り除き,機能レベルの情報を取り除いている。 ツリーベースのプログラムの形式であるコードフラグメント(cfs)は重要なインタラクションを発見するために機能操作を導入したが、構造的非効率を引き起こす無関係な情報を含むことが多い。 XOFは最近導入されたLCSで、CFを使って機能相互作用に関する知識の構成要素をエンコードする。 本稿では,xofにおけるcfsの構造効率を最適化することを目的とする。 この目標を達成するために,cfsの構築を改善するための2つの対策を提案する。 まず、新しいCF適合性更新は、構造的な複雑さも考慮したCFの適用性を推定する。 第2の尺度は、cfsを生成するニッチベースの方法である。 これらのアプローチは、データパターンをキャプチャするために入力機能の非常に複雑な組み合わせを必要とする、均等で階層的な問題でテストされた。 その結果,提案手法によりcfsの構造効率が著しく向上することが明らかとなった。 その結果,階層的Majority-on問題における学習性能が向上した。 さらに、最適CFが構築されると、学習エージェントが上位CFを採用しないため、CF生成のためのユーザセット深さ制限は不要である。

関連論文リスト

• How Does Message Passing Improve Collaborative Filtering? [49.019075781827034]
  協調フィルタリング(CF)はレコメンダシステムに顕著な結果をもたらし、現実世界のアプリケーションに広く利用されている。 メッセージパッシングは、グラフベースの学習タスク全般の利点に似た方法でCFメソッドを支援する。 テスト時アグリゲーション(Test-time Aggregation for CF)は、推論時に一度だけメッセージパッシングを行うテスト時アグリゲーションフレームワークである。
  論文  参考訳（メタデータ） (2024-03-27T18:53:04Z)
• A PSO Based Method to Generate Actionable Counterfactuals for High Dimensional Data [3.0320603363468845]
  粒子群最適化(PSO)に基づく効率的で実用的な逆ファクトアル(CF)生成法について述べる。 これらの特徴を組み込んだアルゴリズムが提案され、生成されたCFの近接特性と疎性特性をより制御できる。
  論文  参考訳（メタデータ） (2023-09-30T18:08:00Z)
• Adversarial Collaborative Filtering for Free [27.949683060138064]
  CF(Collaborative Filtering)は、ユーザが関心のある項目を見つけるのに役立つ。 既存の方法はノイズの多いデータ問題に悩まされ、推奨の質に悪影響を及ぼす。 本稿では, 計算コストを犠牲にすることなく, 対向学習を行う簡易かつ効果的な手法として, シャープネス対応協調フィルタリング(CF)を提案する。
  論文  参考訳（メタデータ） (2023-08-20T19:25:38Z)
• ConvBLS: An Effective and Efficient Incremental Convolutional Broad Learning System for Image Classification [63.49762079000726]
  球状K-means(SKM)アルゴリズムと2段階マルチスケール(TSMS)機能融合に基づく畳み込み広範学習システム(ConvBLS)を提案する。 提案手法は前代未聞の効率的かつ効果的である。
  論文  参考訳（メタデータ） (2023-04-01T04:16:12Z)
• Pushing the Efficiency Limit Using Structured Sparse Convolutions [82.31130122200578]
  本稿では,画像の固有構造を利用して畳み込みフィルタのパラメータを削減する構造的スパース畳み込み(SSC)を提案する。 我々は、SSCが効率的なアーキテクチャにおける一般的なレイヤ(奥行き、グループ回り、ポイント回りの畳み込み)の一般化であることを示す。 SSCに基づくアーキテクチャは、CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet分類ベンチマークのベースラインと比較して、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-10-23T18:37:22Z)
• How Powerful is Graph Convolution for Recommendation? [21.850817998277158]
  グラフ畳み込みネットワーク(GCN)は、最近、協調フィルタリング(CF)のための一般的なアルゴリズムのクラスを実現した。 本稿では,グラフ信号処理のレンズを用いてGCNに基づくCF法をよりよく理解する試みを行う。
  論文  参考訳（メタデータ） (2021-08-17T11:38:18Z)
• Efficient Data-specific Model Search for Collaborative Filtering [56.60519991956558]
  協調フィルタリング(CF)はレコメンダシステムの基本的なアプローチである。 本稿では,機械学習(AutoML)の最近の進歩を動機として,データ固有のCFモデルを設計することを提案する。 ここでキーとなるのは、最先端(SOTA)のCFメソッドを統一し、それらを入力エンコーディング、埋め込み関数、インタラクション、予測関数の非結合ステージに分割する新しいフレームワークである。
  論文  参考訳（メタデータ） (2021-06-14T14:30:32Z)
• BCFNet: A Balanced Collaborative Filtering Network with Attention Mechanism [106.43103176833371]
  協調フィルタリング(CF)ベースの推奨方法が広く研究されている。 BCFNet(Balanced Collaborative Filtering Network)という新しい推薦モデルを提案する。 さらに注意機構は、暗黙のフィードバックの中で隠れた情報をよりよく捉え、ニューラルネットワークの学習能力を強化するように設計されている。
  論文  参考訳（メタデータ） (2021-03-10T14:59:23Z)
• Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
  最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。 少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。 これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
  論文  参考訳（メタデータ） (2020-08-04T10:41:32Z)

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。