論文の概要: Using Experts' Opinions in Machine Learning Tasks

• arxiv url: http://arxiv.org/abs/2008.04216v3
• Date: Fri, 3 Dec 2021 18:38:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 22:37:38.717002
• Title: Using Experts' Opinions in Machine Learning Tasks
• Title（参考訳）: 機械学習における専門家の意見
• Authors: Jafar Habibi, Amir Fazelinia, Issa Annamoradnejad
• Abstract要約: 機械学習タスクにおける専門家の洞察を活用するための一般的な3段階のフレームワークを提案する。 ケーススタディでは,カグル競技会の焦点となったNCAA男子バスケットボールの試合を予測するタスクを選択した。 その結果、過去のモデルの性能と高いスコアは偶然の結果であり、優れた性能と安定したモデルによるものではないことが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In machine learning tasks, especially in the tasks of prediction, scientists tend to rely solely on available historical data and disregard unproven insights, such as experts' opinions, polls, and betting odds. In this paper, we propose a general three-step framework for utilizing experts' insights in machine learning tasks and build four concrete models for a sports game prediction case study. For the case study, we have chosen the task of predicting NCAA Men's Basketball games, which has been the focus of a group of Kaggle competitions in recent years. Results highly suggest that the good performance and high scores of the past models are a result of chance, and not because of a good-performing and stable model. Furthermore, our proposed models can achieve more steady results with lower log loss average (best at 0.489) compared to the top solutions of the 2019 competition (>0.503), and reach the top 1%, 10% and 1% in the 2017, 2018 and 2019 leaderboards, respectively.
• Abstract（参考訳）: 機械学習のタスク、特に予測のタスクでは、科学者は利用可能な歴史的データのみに頼り、専門家の意見や世論調査、賭けの確率など、証明されていない洞察を無視する傾向にある。 本稿では、機械学習タスクにおける専門家の洞察を活用し、スポーツゲーム予測のケーススタディに4つの具体的モデルを構築するための一般的な3段階フレームワークを提案する。 ケーススタディでは,近年のカグル競技会の焦点となっているncaa男子バスケットボール競技の予測課題を選定した。 その結果、過去のモデルの性能と高いスコアは偶然の結果であり、優れたパフォーマンスと安定したモデルによるものではないことが示唆された。 さらに,提案モデルでは,2019年大会の上位ソリューション (>0.503) と比較して,ログロス平均 (0.489) が低く,より安定した結果が得られ,2017年大会,2018年大会,2019年大会の上位1%,10%,1%となった。

関連論文リスト

• Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
  大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。 本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
  論文  参考訳（メタデータ） (2023-11-29T05:33:28Z)
• Evaluating Soccer Match Prediction Models: A Deep Learning Approach and Feature Optimization for Gradient-Boosted Trees [0.8009842832476994]
  2023年のサッカーの予測チャレンジでは、まず各チームが得点した正確なゴールについて、次に勝利、引き分け、負けの確率について、試合結果の予測が必要とされた。 CatBoost モデルは pi-ratings を特徴として用いており、これは最初は win/draw/loss 確率を計算するのに最適な選択肢として認識されていた。 本研究では,ディープラーニングモデルの性能を評価し,勾配木モデルに最適な特徴セットを決定することを目的とした。
  論文  参考訳（メタデータ） (2023-09-26T10:05:46Z)
• Supervised Learning for Table Tennis Match Prediction [2.7835697868135902]
  本稿では,テーブルテニスシングルマッチの結果を予測するために機械学習を用いることを提案する。 我々は,プレイヤーとマッチング統計を特徴として用いて,その相対的重要性をアブレーション研究で評価する。 結果は将来の卓球予測モデルのベースラインとして機能し、同様の球技の予測研究にフィードバックすることができる。
  論文  参考訳（メタデータ） (2023-03-28T17:42:13Z)
• Machine learning for sports betting: should model selection be based on accuracy or calibration? [0.0]
  NBAのデータを数シーズンにわたってトレーニングし、単一のシーズンでベッティング実験を行います。 モデル選択の基盤として,精度よりもキャリブレーションを用いることで,リターンが大きくなることを示す。
  論文  参考訳（メタデータ） (2023-03-10T16:22:38Z)
• Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
  ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。 専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
  論文  参考訳（メタデータ） (2022-10-11T10:20:31Z)
• GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win Prediction in Esports [84.55775845090542]
  本稿では,グラフ畳み込みネットワークに基づくエスポートに対する半教師付き勝利予測モデルを提案する。 GCN-WPはマッチとプレーヤに関する30以上の機能を統合し、近隣のゲームを分類するためにグラフ畳み込みを使用している。 本モデルは,LLの機械学習やスキル評価モデルと比較して,最先端の予測精度を実現する。
  論文  参考訳（メタデータ） (2022-07-26T21:38:07Z)
• Exploring Strategies for Generalizable Commonsense Reasoning with Pre-trained Models [62.28551903638434]
  モデルの一般化と精度に及ぼす3つの異なる適応法の影響を計測する。 2つのモデルを用いた実験では、微調整はタスクの内容と構造の両方を学習することで最もうまく機能するが、過度に適合し、新しい答えへの限定的な一般化に苦しむ。 我々は、プレフィックスチューニングのような代替適応手法が同等の精度を持つのを観察するが、解を見落とさずに一般化し、対数分割に対してより堅牢である。
  論文  参考訳（メタデータ） (2021-09-07T03:13:06Z)
• Kaggle forecasting competitions: An overlooked learning opportunity [0.0]
  実生活におけるビジネス予測タスクを含む6つのKaggleコンペティションの結果をレビューする。 その結果、Kaggleデータセットの大部分は、M競合よりも高い断続性とエントロピーによって特徴づけられることがわかった。 我々は、勾配を増す決定木の性能向上、予測のためのニューラルネットワークの成功の増加、予測タスクに機械学習モデルを適用するための様々なテクニックを見出した。
  論文  参考訳（メタデータ） (2020-09-16T14:14:41Z)
• Interpretable Real-Time Win Prediction for Honor of Kings, a Popular Mobile MOBA Esport [51.20042288437171]
  本研究では,2段階空間時間ネットワーク(TSSTN)を提案する。 実世界のライブストリーミングシナリオにおける実験結果と応用により,提案したTSSTNモデルは予測精度と解釈可能性の両方において有効であることが示された。
  論文  参考訳（メタデータ） (2020-08-14T12:00:58Z)
• Adversarial Robustness: From Self-Supervised Pre-Training to Fine-Tuning [134.15174177472807]
  対戦型トレーニングを自己超越に導入し,汎用的な頑健な事前訓練モデルを初めて提供する。 提案するフレームワークが大きなパフォーマンスマージンを達成できることを示すため,広範な実験を行う。
  論文  参考訳（メタデータ） (2020-03-28T18:28:33Z)
• Descriptive and Predictive Analysis of Euroleague Basketball Games and the Wisdom of Basketball Crowds [0.0]
  本研究は,機械学習モデルを用いたユーロリーグ大会におけるバスケットボールの試合予測に焦点を当てた。 単純な機械学習モデルでは、テストセットで67%以上の精度が得られます。 我々は,このグループの「専門家」の精度レベルが,機械学習を用いた(ヨーロッパ)バスケットボールの試合予測における将来の研究の基準として設定されるべき理由を論じる。
  論文  参考訳（メタデータ） (2020-02-19T22:04:29Z)

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。