Fugu-MT 論文翻訳(概要): Machine Learning Pipeline for Pulsar Star Dataset

論文の概要: Machine Learning Pipeline for Pulsar Star Dataset

arxiv url: http://arxiv.org/abs/2005.01208v1
Date: Sun, 3 May 2020 23:35:44 GMT
ステータス: 処理完了
システム内更新日: 2022-12-07 06:58:17.364480
Title: Machine Learning Pipeline for Pulsar Star Dataset
Title（参考訳）: パルサー星データセットのための機械学習パイプライン
Authors: Alexander Ylnner Choquenaira Florez, Braulio Valentin Sanchez Vinces, Diana Carolina Roca Arroyo, Josimar Edinson Chire Saire, Patr{\i}cia Batista Franco
Abstract要約: この作業は、最も一般的な機械学習(ML)アルゴリズムをまとめるものだ。目的は、不均衡なデータの集合から得られた結果のレベルの比較を行うことである。
参考スコア（独自算出の注目度）: 58.720142291102135
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work brings together some of the most common machine learning (ML) algorithms, and the objective is to make a comparison at the level of obtained results from a set of unbalanced data. This dataset is composed of almost 17 thousand observations made to astronomical objects to identify pulsars (HTRU2). The methodological proposal based on evaluating the accuracy of these different models on the same database treated with two different strategies for unbalanced data. The results show that in spite of the noise and unbalance of classes present in this type of data, it is possible to apply them on standard ML algorithms and obtain promising accuracy ratios.
Abstract（参考訳）: この研究は、最も一般的な機械学習(ML)アルゴリズムのいくつかをまとめ、不均衡なデータの集合から得られた結果のレベルで比較することを目的としている。このデータセットは、パルサー(HTRU2)を識別するために天体を観測するための約1万7千の観測から成り立っている。本提案手法は, 同一データベース上の異なるモデルの精度を, 不均衡データに対する2つの異なる戦略で評価する手法である。その結果、この種のデータに含まれるクラスのノイズや不均衡にもかかわらず、それらを標準のMLアルゴリズムに適用し、有望な精度比を得ることができることがわかった。

関連論文リスト

Graph-Based Bidirectional Transformer Decision Threshold Adjustment Algorithm for Class-Imbalanced Molecular Data [1.3108652488669732]
本稿では,Merriman-Bence-Osher(MBO)アプローチと双方向トランスフォーマーを組み合わせたBTDT-MBOアルゴリズムを提案する。提案手法は,クラス不均衡に対処するために,MBOアルゴリズムの分類しきい値に調整を組み込むだけでなく,自己教師あり学習のための注意機構に基づく双方向トランスフォーマー手法を用いる。提案手法は6つの分子データセットを用いて検証し,他の手法と比較した。
論文参考訳（メタデータ） (2024-06-10T17:20:13Z)
Generalized Oversampling for Learning from Imbalanced datasets and Associated Theory [0.0]
教師あり学習では、実際の不均衡なデータセットに直面することが多い。本稿では,カーネル密度推定に基づくデータ拡張手法であるGOLIATHアルゴリズムを提案する。我々は,不均衡な回帰状況下でのGOLIATHアルゴリズムの性能を評価する。
論文参考訳（メタデータ） (2023-08-05T23:08:08Z)
Machine Learning Based Missing Values Imputation in Categorical Datasets [2.5611256859404983]
この研究では、分類データセットのギャップを埋めるための機械学習アルゴリズムの使用について検討した。 Error Correction Output Codesフレームワークを使用して構築されたアンサンブルモデルに重点が置かれた。大量のラベル付きデータの要求を含む、これらの奨励的な結果にもかかわらず、データ計算の欠如に対する深い学習には障害がある。
論文参考訳（メタデータ） (2023-06-10T03:29:48Z)
Explainable Machine Learning for Categorical and Mixed Data with Lossless Visualization [3.4809730725241597]
本研究では、混合データ型を分類し、機械学習におけるそれらの重要な役割を分析する。混合データ上での視覚的データ探索による混合データ上でのMLアルゴリズムのすべての内部操作の解釈可能性を高めるツールキットを提案する。カテゴリーデータを用いた説明可能なルール生成のための新しい逐次ルール生成(SRG)アルゴリズムを提案し,複数の計算実験で評価した。
論文参考訳（メタデータ） (2023-05-29T00:41:32Z)
Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文参考訳（メタデータ） (2022-10-05T09:17:27Z)
Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
適応的階層的類似度メトリック学習法を提案する。ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
論文参考訳（メタデータ） (2021-10-29T02:12:18Z)
Doing Great at Estimating CATE? On the Neglected Assumptions in Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
論文参考訳（メタデータ） (2021-07-28T13:21:27Z)
Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
データセットバイアスは、機械学習における不公平な原因の1つです。不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
論文参考訳（メタデータ） (2021-04-14T14:20:22Z)
Handling Imbalanced Data: A Case Study for Binary Class Problems [0.0]
分類問題の解決における主要な問題は、不均衡データの問題である。本稿では,合成オーバーサンプリング技術と手動で合成データポイントを計算することで,アルゴリズムの理解を深める。我々は,これらの合成オーバーサンプリング手法を,不均衡比とサンプルサイズが異なる二項分類問題に適用する。
論文参考訳（メタデータ） (2020-10-09T02:04:14Z)
Long-Tailed Recognition Using Class-Balanced Experts [128.73438243408393]
本稿では,多様な分類器の強度を組み合わせたクラスバランスの専門家のアンサンブルを提案する。私たちのクラスバランスの専門家のアンサンブルは、最先端に近い結果に到達し、長い尾の認識のための2つのベンチマークで新たな最先端のアンサンブルを確立します。
論文参考訳（メタデータ） (2020-04-07T20:57:44Z)

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。