論文の概要: Promoting High Diversity Ensemble Learning with EnsembleBench
- arxiv url: http://arxiv.org/abs/2010.10623v1
- Date: Tue, 20 Oct 2020 20:58:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 07:32:16.922599
- Title: Promoting High Diversity Ensemble Learning with EnsembleBench
- Title（参考訳）: EnsembleBenchによる高多様性アンサンブル学習の促進
- Authors: Yanzhao Wu, Ling Liu, Zhongwei Xie, Juhyun Bae, Ka-Ho Chow, Wenqi Wei
- Abstract要約: EnsembleBenchは、高い多様性と高い精度のアンサンブルを評価し、推奨するための総合的なフレームワークである。
一連のベースラインの多様性メトリクスと最適化された多様性メトリクスを実装し、高い多様性と高品質のアンサンブルを特定し、選択する。
EnsembleBenchの最初のリリースでは、4つの代表的なアンサンブルコンセンサス方法が提供されている。
- 参考スコア（独自算出の注目度）: 14.90483818101101
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ensemble learning is gaining renewed interests in recent years. This paper
presents EnsembleBench, a holistic framework for evaluating and recommending
high diversity and high accuracy ensembles. The design of EnsembleBench offers
three novel features: (1) EnsembleBench introduces a set of quantitative
metrics for assessing the quality of ensembles and for comparing alternative
ensembles constructed for the same learning tasks. (2) EnsembleBench implements
a suite of baseline diversity metrics and optimized diversity metrics for
identifying and selecting ensembles with high diversity and high quality,
making it an effective framework for benchmarking, evaluating and recommending
high diversity model ensembles. (3) Four representative ensemble consensus
methods are provided in the first release of EnsembleBench, enabling empirical
study on the impact of consensus methods on ensemble accuracy. A comprehensive
experimental evaluation on popular benchmark datasets demonstrates the utility
and effectiveness of EnsembleBench for promoting high diversity ensembles and
boosting the overall performance of selected ensembles.
- Abstract（参考訳）: アンサンブル学習は近年新たな関心を集めている。
本稿では,高い多様性と高精度アンサンブルを評価するための総合的なフレームワークであるEnsembleBenchを提案する。
EnsembleBenchの設計は、3つの新しい特徴を提供している。(1) EnsembleBenchは、アンサンブルの質を評価し、同じ学習タスクのために構築された代替アンサンブルを比較するための定量的なメトリクスセットを提供する。
2) EnsembleBenchは,高多様性と高品質のアンサンブルを識別・選択するための,ベースラインの多様性指標と最適化された多様性指標のスイートを実装し,ハイ多様性モデルアンサンブルのベンチマーク,評価,推奨を行う上で有効なフレームワークである。
3)EnsembleBenchの最初のリリースでは,4つの代表的なアンサンブルコンセンサス手法が提供され,コンセンサス手法がアンサンブル精度に与える影響に関する実証的研究が可能となった。
一般的なベンチマークデータセットに対する総合的な実験的評価は、高い多様性のアンサンブルを促進し、選択されたアンサンブルの全体的なパフォーマンスを高めるために、EnsembleBenchの有効性と有効性を示す。
関連論文リスト
- Scalable Ensemble Diversification for OOD Generalization and Detection [68.8982448081223]
SEDは、ハエのハードトレーニングサンプルを特定し、アンサンブルメンバーにこれらについて意見の一致を奨励する。
モデル間でのペアの相違を解消する既存の方法において,コストのかかる計算を避ける方法を示す。
OODの一般化のために,出力空間(古典的)アンサンブルや重量空間アンサンブル(モデルスープ)など,複数の環境での多様化による大きなメリットを観察する。
論文 参考訳（メタデータ） (2024-09-25T10:30:24Z) - Robust Few-Shot Ensemble Learning with Focal Diversity-Based Pruning [10.551984557040102]
本稿では,焦点多様性に最適化された数発のアンサンブル学習手法であるFusionShotを提案する。
これにより、事前訓練された少数ショットモデルの堅牢性と一般化性能が向上する。
代表的な数ショットベンチマークの実験では、FusionShotが推奨するトップKアンサンブルが、代表的なSOTA数ショットモデルより優れていることが示されている。
論文 参考訳（メタデータ） (2024-04-05T22:21:49Z) - BAL: Balancing Diversity and Novelty for Active Learning [53.289700543331925]
多様な不確実なデータのバランスをとるために適応的なサブプールを構築する新しいフレームワークであるBalancing Active Learning (BAL)を導入する。
我々のアプローチは、広く認識されているベンチマークにおいて、確立されたすべてのアクティブな学習方法より1.20%優れています。
論文 参考訳（メタデータ） (2023-12-26T08:14:46Z) - Classy Ensemble: A Novel Ensemble Algorithm for Classification [0.0]
分類タスクのための新しいアンサンブル生成アルゴリズムであるClassy Ensembleを提案する。
そこで我々は,Classy Ensembleが他の2つのよく知られた集約アルゴリズムより優れていることを示す。
1) クラス・アンサンブルとクラスタ・ベース・プルーニングを組み合わせたクラス・クラスタ・アンサンブル,2) 4つの画像データセットに対するクラス・アンサンブルのメリットを示すディープラーニング実験。
論文 参考訳（メタデータ） (2023-02-21T10:19:33Z) - Improving robustness and calibration in ensembles with diversity
regularization [1.069533806668766]
分布外サンプルを用いた分類タスクのための新しい多様性正規化器を提案する。
多様性の正規化は、キャリブレーションやロバストネス、アウト・オブ・ディストリビューション検出に重大な影響を与える可能性がある。
論文 参考訳（メタデータ） (2022-01-26T12:51:11Z) - Choosing the Best of Both Worlds: Diverse and Novel Recommendations
through Multi-Objective Reinforcement Learning [68.45370492516531]
本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。
SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。
実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
論文 参考訳（メタデータ） (2021-10-28T13:22:45Z) - Neural Network Ensembles: Theory, Training, and the Importance of
Explicit Diversity [6.495473856599276]
アンサンブルラーニング(英: Ensemble Learning)とは、複数の基本学習者が戦略的に生成され、1つの複合学習者に結合されるプロセスである。
学習者の精度とアンサンブルの多様性の適切なバランスは、ベンチマークや実世界のデータセット上での機械学習タスクのパフォーマンスを向上させることができる。
最近の理論的および実践的な研究は、アンサンブルの精度と多様性の間の微妙なトレードオフを実証している。
論文 参考訳（メタデータ） (2021-09-29T00:43:57Z) - A Dataset-Level Geometric Framework for Ensemble Classifiers [0.76146285961466]
多数決と重み付けされた多数決は、アンサンブル学習で一般的に使用される2つの組み合わせスキームである。
本稿では,これら2つの組み合わせスキームの特性群を,データセットレベルの幾何学的枠組みの下で正式に提示する。
論文 参考訳（メタデータ） (2021-06-16T09:48:12Z) - Trusted Multi-View Classification [76.73585034192894]
本稿では,信頼された多視点分類と呼ばれる新しい多視点分類手法を提案する。
さまざまなビューをエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。
提案アルゴリズムは,分類信頼性とロバスト性の両方を促進するために,複数のビューを併用する。
論文 参考訳（メタデータ） (2021-02-03T13:30:26Z) - Neural Ensemble Search for Uncertainty Estimation and Dataset Shift [67.57720300323928]
ニューラルネットワークのアンサンブルは、データセットシフトに対する精度、不確実性キャリブレーション、堅牢性の観点から、スタンドアロンネットワークよりも優れたパフォーマンスを実現する。
本稿では,アンサンブルをアンサンブルで自動構築する2つの手法を提案する。
得られたアンサンブルは、精度だけでなく、不確実なキャリブレーションやデータセットシフトに対する堅牢性の観点からも、深いアンサンブルよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-06-15T17:38:15Z) - 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。
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。