論文の概要: Auto-CASH: Autonomous Classification Algorithm Selection with Deep Q-Network

• arxiv url: http://arxiv.org/abs/2007.03254v1
• Date: Tue, 7 Jul 2020 07:47:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 18:47:46.997101
• Title: Auto-CASH: Autonomous Classification Algorithm Selection with Deep Q-Network
• Title（参考訳）: Auto-CASH: ディープQネットワークを用いた自動分類アルゴリズムの選択
• Authors: Tianyu Mu, Hongzhi Wang, Chunnan Wang, Zheng Liang
• Abstract要約: 本稿では,メタラーニングに基づく事前学習モデルであるAuto-CASHを提案する。 Auto-CASHは、Deep Q-Networkを使用して、データセット毎にメタ機能を自動的に選択する最初のアプローチである。 従来のCASH法や最先端CASH法と比較して,Auto-CASHは短時間で性能が向上することを示す実験結果が得られた。
• 参考スコア（独自算出の注目度）: 7.023506764658506
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The great amount of datasets generated by various data sources have posed the challenge to machine learning algorithm selection and hyperparameter configuration. For a specific machine learning task, it usually takes domain experts plenty of time to select an appropriate algorithm and configure its hyperparameters. If the problem of algorithm selection and hyperparameter optimization can be solved automatically, the task will be executed more efficiently with performance guarantee. Such problem is also known as the CASH problem. Early work either requires a large amount of human labor, or suffers from high time or space complexity. In our work, we present Auto-CASH, a pre-trained model based on meta-learning, to solve the CASH problem more efficiently. Auto-CASH is the first approach that utilizes Deep Q-Network to automatically select the meta-features for each dataset, thus reducing the time cost tremendously without introducing too much human labor. To demonstrate the effectiveness of our model, we conduct extensive experiments on 120 real-world classification datasets. Compared with classical and the state-of-art CASH approaches, experimental results show that Auto-CASH achieves better performance within shorter time.
• Abstract（参考訳）: さまざまなデータソースから生成される膨大なデータセットは、機械学習アルゴリズムの選択とハイパーパラメータの設定に挑戦している。 特定の機械学習タスクでは、ドメインの専門家が適切なアルゴリズムを選択してハイパーパラメータを設定するのに多くの時間を要する。 アルゴリズム選択とハイパーパラメータ最適化の問題を自動で解くことができれば、タスクは性能保証とともにより効率的に実行される。 このような問題は現金問題とも呼ばれる。 初期の仕事は大量の人的労働を必要とするか、高い時間や空間の複雑さに悩まされる。 本研究では,キャッシュ問題をより効率的に解くために,メタラーニングに基づく事前学習モデルであるauto-cashを提案する。 Auto-CASHは、Deep Q-Networkを使用してデータセットごとにメタ機能を自動的に選択する最初のアプローチである。 本モデルの有効性を示すために,実世界の120の分類データセットについて広範な実験を行った。 従来のCASH法や最先端CASH法と比較して,Auto-CASHは短時間で性能が向上することを示す実験結果が得られた。

関連論文リスト

• Unlearning as multi-task optimization: A normalized gradient difference approach with an adaptive learning rate [105.86576388991713]
  正規化勾配差(NGDiff)アルゴリズムを導入し、目的間のトレードオフをよりよく制御できるようにする。 本研究では,TOFUおよびMUSEデータセットにおける最先端の未学習手法において,NGDiffの優れた性能を実証的に実証し,理論的解析を行った。
  論文  参考訳（メタデータ） (2024-10-29T14:41:44Z)
• Adaptive $Q$-Network: On-the-fly Target Selection for Deep Reinforcement Learning [18.579378919155864]
  我々は、追加のサンプルを必要としない最適化手順の非定常性を考慮するために、Adaptive $Q$Network (AdaQN)を提案する。 AdaQNは理論上は健全で、MuJoCo制御問題やAtari 2600のゲームで実証的に検証されている。
  論文  参考訳（メタデータ） (2024-05-25T11:57:43Z)
• Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
  本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。 提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
  論文  参考訳（メタデータ） (2024-05-07T17:44:54Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• ASP: Automatic Selection of Proxy dataset for efficient AutoML [16.813109584129514]
  本稿では、各エポックにおけるトレーニングデータの情報的プロキシサブセットを動的に見つけるために、ASP(Automatic Selection of Proxy dataset framework)を提案する。 ASPは、すべての選択比率で、他のデータ選択方法よりも優れた結果を得ることができる。
  論文  参考訳（メタデータ） (2023-10-17T09:36:22Z)
• A Dependable Hybrid Machine Learning Model for Network Intrusion Detection [1.222622290392729]
  本稿では,機械学習とディープラーニングを組み合わせたハイブリッドモデルを提案する。 提案手法は,KDDCUP'99とCIC-MalMem-2022の2つのデータセットでテストした場合,優れた結果が得られる。
  論文  参考訳（メタデータ） (2022-12-08T20:19:27Z)
• A new Sparse Auto-encoder based Framework using Grey Wolf Optimizer for Data Classification Problem [0.0]
  列車のスパースオートエンコーダにグレーオオカミ最適化(GWO)を適用する。 モデルは、いくつかの人気のあるGene式データベースを使用することで検証される。 その結果、GWOを用いた学習モデルの性能は、一般的なメタヒューリスティックアルゴリズムで訓練された従来のモデルとモデルの両方で優れていた。
  論文  参考訳（メタデータ） (2022-01-29T04:28:30Z)
• Search Algorithms for Automated Hyper-Parameter Tuning [1.2233362977312945]
  グリッド検索とランダム検索という2つの自動ハイパーオプティマイズ手法を開発し、過去の研究のパフォーマンスを評価し改善します。 実験の結果,機械学習アルゴリズムにランダム探索とグリッド探索を適用すると精度が向上することがわかった。
  論文  参考訳（メタデータ） (2021-04-29T22:11:52Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• DADA: Differentiable Automatic Data Augmentation [58.560309490774976]
  コストを大幅に削減する微分可能自動データ拡張(DADA)を提案する。 CIFAR-10, CIFAR-100, SVHN, ImageNetのデータセットについて広範な実験を行った。 その結果,DADAは最先端技術よりも1桁以上高速であり,精度は極めて高いことがわかった。
  論文  参考訳（メタデータ） (2020-03-08T13:23:14Z)
• 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。