論文の概要: Combining Task Predictors via Enhancing Joint Predictability

• arxiv url: http://arxiv.org/abs/2007.08012v1
• Date: Wed, 15 Jul 2020 21:58:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 05:19:28.112961
• Title: Combining Task Predictors via Enhancing Joint Predictability
• Title（参考訳）: ジョイント予測可能性向上によるタスク予測器の組み合わせ
• Authors: Kwang In Kim, Christian Richardt, Hyung Jin Chang
• Abstract要約: そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。 提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。 視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
• 参考スコア（独自算出の注目度）: 53.46348489300652
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictor combination aims to improve a (target) predictor of a learning task based on the (reference) predictors of potentially relevant tasks, without having access to the internals of individual predictors. We present a new predictor combination algorithm that improves the target by i) measuring the relevance of references based on their capabilities in predicting the target, and ii) strengthening such estimated relevance. Unlike existing predictor combination approaches that only exploit pairwise relationships between the target and each reference, and thereby ignore potentially useful dependence among references, our algorithm jointly assesses the relevance of all references by adopting a Bayesian framework. This also offers a rigorous way to automatically select only relevant references. Based on experiments on seven real-world datasets from visual attribute ranking and multi-class classification scenarios, we demonstrate that our algorithm offers a significant performance gain and broadens the application range of existing predictor combination approaches.
• Abstract（参考訳）: 予測子の組み合わせは、個々の予測子の内部にアクセスすることなく、関連するタスクの(参照)予測子に基づいて学習タスクの(ターゲット)予測子を改善することを目的としている。 ターゲットを改良する新しい予測器の組み合わせアルゴリズムを提案する。 一 目標の予測能力に基づく参考文献の関連度を測定すること。 二 このような推定関連性を強化すること。 対象と参照間のペア関係のみを利用して参照間の潜在的に有用な依存を無視する既存の予測器の組み合わせアプローチとは異なり,本アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性を共同で評価する。 また、関連する参照のみを自動的に選択する厳格な方法も提供する。 視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。

関連論文リスト

• Semiparametric conformal prediction [79.6147286161434]
  リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。 スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。 実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Ranking and Combining Latent Structured Predictive Scores without Labeled Data [2.5064967708371553]
  本稿では,新しい教師なしアンサンブル学習モデル(SUEL)を提案する。 連続的な予測スコアを持つ予測器のセット間の依存関係を利用して、ラベル付きデータなしで予測器をランク付けし、それらをアンサンブルされたスコアに重み付けする。 提案手法の有効性は、シミュレーション研究とリスク遺伝子発見の現実的応用の両方を通じて厳密に評価されている。
  論文  参考訳（メタデータ） (2024-08-14T20:14:42Z)
• Weighted Aggregation of Conformity Scores for Classification [9.559062601251464]
  コンフォーマル予測は、有効なカバレッジ保証を備えた予測セットを構築するための強力なフレームワークである。 本稿では,共形予測器の性能向上のために,複数のスコア関数を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-14T14:58:03Z)
• Top-K Pairwise Ranking: Bridging the Gap Among Ranking-Based Measures for Multi-Label Classification [120.37051160567277]
  本稿では,Top-K Pairwise Ranking(TKPR)という新しい尺度を提案する。 一連の分析により、TKPRは既存のランキングベースの尺度と互換性があることが示されている。 一方,データ依存縮約法という新しい手法に基づいて,提案手法の急激な一般化を確立する。
  論文  参考訳（メタデータ） (2024-07-09T09:36:37Z)
• Provable Offline Preference-Based Reinforcement Learning [95.00042541409901]
  本研究では,PbRL(Preference-based Reinforcement Learning)の問題について,人間のフィードバックを用いて検討する。 我々は、報酬が軌道全体にわたって定義できる一般的な報酬設定について考察する。 我々は, 軌道毎の集中性によって上界に拘束できる新しい単極集中係数を導入する。
  論文  参考訳（メタデータ） (2023-05-24T07:11:26Z)
• Improving Link Prediction in Social Networks Using Local and Global Features: A Clustering-based Approach [0.0]
  本稿では,リンク予測問題に対処するため,第1グループと第2グループを組み合わせた手法を提案する。 提案手法は,まずノードの位置と動的挙動に関連する特徴を同定する。 そして、計算された類似度尺度に基づいて、サブスペースクラスタリングアルゴリズムをグループ社会オブジェクトに適用する。
  論文  参考訳（メタデータ） (2023-05-17T14:45:02Z)
• Parallel Reasoning Network for Human-Object Interaction Detection [53.422076419484945]
  並列推論ネットワーク(PR-Net)というトランスフォーマーに基づく新しい手法を提案する。 PR-Netは、インスタンスレベルのローカライゼーションと関係レベルの理解のための2つの独立した予測器を構築する。 我々のPR-NetはHICO-DETとV-COCOベンチマークで競合する結果を得た。
  論文  参考訳（メタデータ） (2023-01-09T17:00:34Z)
• Discriminative, Generative and Self-Supervised Approaches for Target-Agnostic Learning [8.666667951130892]
  生成的および自己教師型学習モデルは、そのタスクでうまく機能することが示されている。 擬似相似理論の導出した定理は、結合分布モデルの推定に関係があることも示している。
  論文  参考訳（メタデータ） (2020-11-12T15:03:40Z)
• Deep Goal-Oriented Clustering [25.383738675621505]
  クラスタリングと予測は、教師なしおよび教師なし学習の分野における2つの主要なタスクである。 サイドインフォメーションによる監視を併用してデータをクラスタリングする確率的フレームワークであるDeep Goal-Oriented Clustering (DGC)を紹介した。 我々は,最先端技術に匹敵する予測精度を達成し,データセットに対するモデルの有効性を示す。
  論文  参考訳（メタデータ） (2020-06-07T20:41:08Z)
• Novel Human-Object Interaction Detection via Adversarial Domain Generalization [103.55143362926388]
  本研究では,新たな人-物間相互作用(HOI)検出の問題点を考察し,モデルの一般化能力を向上させることを目的とした。 この課題は、主に対象と述語の大きな構成空間に起因し、全ての対象と述語の組み合わせに対する十分な訓練データが欠如している。 本稿では,予測のためのオブジェクト指向不変の特徴を学習するために,対数領域の一般化の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2020-05-22T22:02:56Z)

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。