論文の概要: DJEnsemble: On the Selection of a Disjoint Ensemble of Deep Learning Black-Box Spatio-Temporal Models

• arxiv url: http://arxiv.org/abs/2005.11093v3
• Date: Tue, 17 Nov 2020 15:56:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 08:21:39.751683
• Title: DJEnsemble: On the Selection of a Disjoint Ensemble of Deep Learning Black-Box Spatio-Temporal Models
• Title（参考訳）: DJEnsemble:Deep Learning Black-Box Spatio-Temporal Modelの解離アンサンブルの選択について
• Authors: Yania Molina Souto, Rafael Pereira, Roc\'io Zorrilla, Anderson Chaves, Brian Tsan, Florin Rusu, Eduardo Ogasawara, Artur Ziviani, Fabio Porto
• Abstract要約: ブラックボックス予測器の非結合アンサンブルの自動選択とアロケーションのためのコストベースアプローチを提案する。 我々のモデルは、実際の最良の計画に近い性能で計画を作成することを示す。
• 参考スコア（独自算出の注目度）: 0.8347559086129669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present a cost-based approach for the automatic selection and allocation of a disjoint ensemble of black-box predictors to answer predictive spatio-temporal queries. Our approach is divided into two parts -- offline and online. During the offline part, we preprocess the predictive domain data -- transforming it into a regular grid -- and the black-box models -- computing their spatio-temporal learning function. In the online part, we compute a DJEnsemble plan which minimizes a multivariate cost function based on estimates for the prediction error and the execution cost -- producing a model spatial allocation matrix -- and run the optimal ensemble plan. We conduct a set of extensive experiments that evaluate the DJEnsemble approach and highlight its efficiency. We show that our cost model produces plans with performance close to the actual best plan. When compared against the traditional ensemble approach, DJEnsemble achieves up to $4X$ improvement in execution time and almost $9X$ improvement in prediction accuracy. To the best of our knowledge, this is the first work to solve the problem of optimizing the allocation of black-box models to answer predictive spatio-temporal queries.
• Abstract（参考訳）: 本稿では,予測時空間クエリに応答するブラックボックス予測器の非結合アンサンブルの自動選択と割り当てのためのコストベースアプローチを提案する。 私たちのアプローチは、オフラインとオンラインの2つの部分に分かれています。 オフライン部分では、予測ドメインデータ -- 通常のグリッドに変換する -- とブラックボックスモデル -- を事前処理して、時空間学習関数を演算します。 オンライン部分では,予測誤差と実行コストの見積に基づいて,多変量コスト関数を最小化するDJEnsemble Planを計算し,最適なアンサンブルプランを実行する。 我々は、DJEnsembleアプローチを評価し、その効率を強調するための広範な実験を行う。 我々のコストモデルは、実際の最良の計画に近いパフォーマンスで計画を生成することを示す。 従来のアンサンブルアプローチと比較すると、djensembleは実行時間の最大4倍、予測精度の約9倍の改善を達成している。 私たちの知る限りでは、これは予測時空間クエリに答えるためにブラックボックスモデルの割り当てを最適化する問題を解決する最初の仕事です。

関連論文リスト

• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• Experiment Planning with Function Approximation [49.50254688629728]
  本研究では,文脈的帯域幅問題における関数近似を用いた実験計画の問題点について検討する。 本稿では,関数近似に適合する2つの実験計画戦略を提案する。 そこで, 均一サンプリング器は, 動作数が少ない設定において, 競合最適性を達成できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T14:40:23Z)
• Constrained Online Two-stage Stochastic Optimization: Algorithm with (and without) Predictions [19.537289123577022]
  有限地平線上の長期制約付きオンライン2段階最適化をT$周期で検討する。 対戦型学習アルゴリズムからオンライン二段階問題のオンラインアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2024-01-02T07:46:33Z)
• Optimizing accuracy and diversity: a multi-task approach to forecast combinations [0.0]
  両問題を同時に解くことに焦点を当てたマルチタスク最適化パラダイムを提案する。 標準的な機能ベースの予測アプローチに、さらなる学習と最適化のタスクが組み込まれている。 提案手法は,特徴に基づく予測において,多様性の本質的な役割を引き出すものである。
  論文  参考訳（メタデータ） (2023-10-31T15:26:33Z)
• Constrained Online Two-stage Stochastic Optimization: Near Optimal Algorithms via Adversarial Learning [1.994307489466967]
  有限地平線上の長期制約付きオンライン2段階最適化をT$周期で検討する。 対戦型学習アルゴリズムからオンライン二段階問題のオンラインアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2023-02-02T10:33:09Z)
• MILO: Model-Agnostic Subset Selection Framework for Efficient Model Training and Tuning [68.12870241637636]
  モデル学習からサブセット選択を分離するモデルに依存しないサブセット選択フレームワークMILOを提案する。 実験結果から、MILOはモデルを3ドル(約3,300円)でトレーニングし、ハイパーパラメータを20ドル(約2,300円)でチューニングできます。
  論文  参考訳（メタデータ） (2023-01-30T20:59:30Z)
• Smoothed Online Combinatorial Optimization Using Imperfect Predictions [27.201074566335222]
  本研究では,不完全な予測モデルが利用できる場合のスムーズなオンライン最適化問題について検討する。 有限時間地平線計画に予測を用いることで, 全体の予測不確かさと追加の切り替えコストに依存して, 後悔を招くことを示す。 本アルゴリズムは,合成オンライン分散ストリーミング問題において,他のベースラインと比較して,累積的後悔度が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-04-23T02:30:39Z)
• Markdowns in E-Commerce Fresh Retail: A Counterfactual Prediction and Multi-Period Optimization Approach [29.11201102550876]
  半パラメトリック構造モデルを構築し、価格の弾力性を学習し、対物需要を予測する。 本稿では,有限販売地平線上での消耗品全体の利益を最大化するために,多周期動的価格アルゴリズムを提案する。 提案されたフレームワークは、よく知られたeコマースの新鮮な小売シナリオであるFreshippoにうまくデプロイされている。
  論文  参考訳（メタデータ） (2021-05-18T07:01:37Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)
• Fast Rates for Contextual Linear Optimization [52.39202699484225]
  提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。 予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
  論文  参考訳（メタデータ） (2020-11-05T18:43:59Z)
• Stepwise Model Selection for Sequence Prediction via Deep Kernel Learning [100.83444258562263]
  本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。 結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。 我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
  論文  参考訳（メタデータ） (2020-01-12T09:42:19Z)

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。