Fugu-MT 論文翻訳(概要): Improvements in Computation and Usage of Joint CDFs for the N-Dimensional Order Statistic

論文の概要: Improvements in Computation and Usage of Joint CDFs for the N-Dimensional Order Statistic

arxiv url: http://arxiv.org/abs/2006.10124v1
Date: Wed, 17 Jun 2020 19:51:45 GMT
ステータス: 処理完了
システム内更新日: 2022-11-19 20:26:15.210613
Title: Improvements in Computation and Usage of Joint CDFs for the N-Dimensional Order Statistic
Title（参考訳）: N次元次数統計におけるジョイントCDFの計算と利用の改善
Authors: Arvind Thiagarajan
Abstract要約: 順序統計は、共通の指数集合上の複数のスコアのリストを組み合わせるための直感を与える。ここでは,このような順序統計のジョイントCDFを用いてスコアリストを合成する手法の利点を述べる。また,このような連立CDF値を計算するための新しいアルゴリズムを証明とともに提案する。
参考スコア（独自算出の注目度）: 0.2538209532048866
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Order statistics provide an intuition for combining multiple lists of scores over a common index set. This intuition is particularly valuable when the lists to be combined cannot be directly compared in a sensible way. We describe here the advantages of a new method for using joint CDFs of such order statistics to combine score lists. We also present, with proof, a new algorithm for computing such joint CDF values, with runtime linear in the size of the combined list.
Abstract（参考訳）: 順序統計は、共通のインデックス集合上のスコアの複数のリストを結合するための直感を与える。この直観は、結合すべきリストが賢明な方法で直接比較できない場合に特に有用である。ここでは,このような順序統計のジョイントCDFを用いてスコアリストを組み合わせる手法の利点を述べる。また,提案手法の証明により,結合CDF値の計算を行ない,組み合わせたリストのサイズを線形に行なえるような新しいアルゴリズムを提案する。

関連論文リスト

Self-Calibrated Listwise Reranking with Large Language Models [137.6557607279876]
大規模言語モデル (LLM) はシーケンシャル・ツー・シーケンス・アプローチによってタスクのランク付けに使用されている。この階調のパラダイムは、より大きな候補集合を反復的に扱うためにスライディングウインドウ戦略を必要とする。そこで本稿では,LLMを用いた自己校正リストのランク付け手法を提案する。
論文参考訳（メタデータ） (2024-11-07T10:31:31Z)
Linear-time One-Class Classification with Repeated Element-wise Folding [6.116088814650622]
本稿では,一級分類における使い易い方法として,繰り返し要素分割法(REF)を提案する。 REFは、一般的に使用されるより要求の多いアプローチの線形時間代替を提供する。実験の結果、REFは類似の分類性能、あるいは様々なベンチマークデータセットでより複雑なアルゴリズムよりも優れていることが示された。
論文参考訳（メタデータ） (2024-08-21T08:18:39Z)
Adaptive Retrieval and Scalable Indexing for k-NN Search with Cross-Encoders [77.84801537608651]
クエリ-イムペアを共同で符号化することで類似性を計算するクロスエンコーダ(CE)モデルは、クエリ-イム関連性を推定する埋め込みベースモデル(デュアルエンコーダ)よりも優れている。本稿では,潜時クエリとアイテム埋め込みを効率的に計算してCEスコアを近似し,CE類似度を近似したk-NN探索を行うスパース行列分解法を提案する。
論文参考訳（メタデータ） (2024-05-06T17:14:34Z)
Discordance Minimization-based Imputation Algorithms for Missing Values in Rating Data [4.100928307172084]
複数の評価リストが組み合わされたり、考慮されたりすると、被験者はしばしば評価を欠く。そこで本研究では,6つの実世界のデータセットを用いて,欠落した値パターンの解析を行う。評価提供者間での総合評価不一致を最小限に抑える最適化モデルとアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-11-07T14:42:06Z)
Efficient computation of rankings from pairwise comparisons [0.0]
我々は、同じ結果を返すが、はるかに高速な代替かつ同様の単純なイテレーションについて記述する。本稿では,このアルゴリズムをサンプルデータセットに適用し,その収束性に関する多くの結果を導出する。
論文参考訳（メタデータ） (2022-06-30T19:39:09Z)
Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
論文参考訳（メタデータ） (2022-01-25T00:10:03Z)
Task Affinity with Maximum Bipartite Matching in Few-Shot Learning [28.5184196829547]
本稿では,1つのタスクの知識を活用して,別のタスクを学習する複雑性を表現するための非対称親和性スコアを提案する。特に、このスコアを用いて、テストデータに関連するトレーニングデータラベルを見つけ、発見した関連するデータを活用して、いくつかのショットモデルをエピソード的に微調整する。
論文参考訳（メタデータ） (2021-10-05T23:15:55Z)
Methods of ranking for aggregated fuzzy numbers from interval-valued data [0.0]
本論文は, 時間間隔から集約ファジィ数をランク付けする2つの手法を, Interval Agreement Approach (IAA) を用いて提案する。提案手法の改良とともに, 従来手法の欠点を, 合成・実世界の両面から示す。
論文参考訳（メタデータ） (2020-12-03T02:56:15Z)
Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文参考訳（メタデータ） (2020-10-24T07:01:24Z)
LSF-Join: Locality Sensitive Filtering for Distributed All-Pairs Set Similarity Under Skew [58.21885402826496]
全ペアセットの類似性は、大規模で高次元のデータセットであっても広く使われているデータマイニングタスクである。我々は,全対集合の類似性を近似するために,新しい分散アルゴリズム LSF-Join を提案する。 LSF-Joinは、小さな類似度閾値やスキュー入力セットであっても、最も近いペアを効率的に見つける。
論文参考訳（メタデータ） (2020-03-06T00:06:20Z)
SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。