論文の概要: A Novel Machine Learning Method for Preference Identification
- arxiv url: http://arxiv.org/abs/2010.13517v2
- Date: Wed, 25 Nov 2020 00:22:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 05:31:41.502140
- Title: A Novel Machine Learning Method for Preference Identification
- Title（参考訳）: 選好識別のための新しい機械学習手法
- Authors: Azlan Iqbal
- Abstract要約: 本稿では,既存の「好き」「嫌い」構成データベースから学習可能な計算手法を提案する。
実験結果から, 好んで好まれる楽曲の70%以上が最上位に含まれているような, 新規で見当たらない楽曲のコレクションを選別できることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human preference or taste within any domain is usually a difficult thing to
identify or predict with high probability. In the domain of chess problem
composition, the same is true. Traditional machine learning approaches tend to
focus on the ability of computers to process massive amounts of data and
continuously adjust 'weights' within an artificial neural network to better
distinguish between say, two groups of objects. Contrasted with chess
compositions, there is no clear distinction between what constitutes one and
what does not; even less so between a good one and a poor one. We propose a
computational method that is able to learn from existing databases of 'liked'
and 'disliked' compositions such that a new and unseen collection can be sorted
with increased probability of matching a solver's preferences. The method uses
a simple 'change factor' relating to the Forsyth-Edwards Notation (FEN) of each
composition's starting position, coupled with repeated statistical analysis of
sample pairs from both databases. Tested using the author's own collections of
computer-generated chess problems, the experimental results showed that the
method was able to sort a new and unseen collection of compositions such that,
on average, over 70% of the preferred compositions were in the top half of the
collection. This saves significant time and energy on the part of solvers as
they are likely to find more of what they like sooner. The method may even be
applicable to other domains such as image processing because it does not rely
on any chess-specific rules but rather just a sufficient and quantifiable
'change' in representation from one object to the next.
- Abstract（参考訳）: ドメイン内の人間の好みや味は通常、高い確率で識別または予測することが難しい。
チェス問題の構成の領域では、同じことが真である。
従来の機械学習のアプローチでは、コンピュータが大量のデータを処理し、ニューラルネットワーク内の「重み」を継続的に調整して、例えば2つのオブジェクトを区別する能力に重点が置かれている。
チェスの構成とは対照的に、あるものを構成するものとそうでないものの間に明確な区別はない。
本稿では,従来の「いいね」と「嫌われ」の合成データベースから学習可能な計算手法を提案する。
この方法は、各構成の開始位置のForsyth-Edwards Notation (FEN)に関連する単純な「変化因子」と、両方のデータベースからのサンプルペアの統計解析を繰り返す。
著者自身のチェス問題集を用いてテストした結果,提案手法は,平均的に70%以上の好まれる楽曲がコレクションの上位半分に収まるように,新規かつ未発見の作文群を分類できることが判明した。
これにより、より早く好きなものを見つける可能性が高いため、解決者側でかなりの時間とエネルギーを節約できる。
この方法は、チェス固有のルールに頼らず、単に一つのオブジェクトから次のオブジェクトへの表現において十分な量化可能な「変更」を行うため、画像処理のような他の領域にも適用できる。
関連論文リスト
- What to Do When Your Discrete Optimization Is the Size of a Neural
Network? [24.546550334179486]
ニューラルネットワークを用いた機械学習アプリケーションは、離散最適化問題を解くことを含む。
離散的な設定で使用される古典的なアプローチは、大きなニューラルネットワークに対してうまくスケールしない。
連続経路(CP)法は,前者およびモンテカルロ法(MC)法を純粋に表現し,後者を表現している。
論文 参考訳（メタデータ） (2024-02-15T21:57:43Z) - Context-Aware Ensemble Learning for Time Series [11.716677452529114]
本稿では,ベースモデルの特徴ベクトルの結合である特徴のスーパーセットを用いて,ベースモデル予測を効果的に組み合わせたメタ学習手法を提案する。
我々のモデルは、ベースモデルの予測を機械学習アルゴリズムの入力として使用するのではなく、問題の状態に基づいて各時点における最良の組み合わせを選択する。
論文 参考訳（メタデータ） (2022-11-30T10:36:13Z) - Deep Learning to Jointly Schema Match, Impute, and Transform Databases [19.200830026362425]
複数の原点からのデータを非マップで部分的に重複する機能で結合することは、堅牢で一般化可能なアルゴリズムを開発するための前提条件である。
我々はこの問題に対処する2つの新しい手順を策定する。
2つの電子健康記録データベースを用いた合成および実世界の実験において、我々のアルゴリズムは可変集合に適合する既存のベースラインよりも優れている。
論文 参考訳（メタデータ） (2022-06-22T21:25:59Z) - Three approaches to supervised learning for compositional data with
pairwise logratios [0.0]
構成データ分析の一般的なアプローチは、対数によるデータ変換である。
構成部品の対(対対対対)の対は、多くの研究問題において最も容易に解釈できる。
一般化線形モデルにおいて、従属変数を最もよく説明できるペアワイズ対数を選択するために、段階的に教師付き学習法を3つ提案する。
論文 参考訳（メタデータ） (2021-11-17T07:51:20Z) - Determining Chess Game State From an Image [19.06796946564999]
本稿では,既存のモデルよりも桁違いに大きい3次元モデルから合成した新しいデータセットについて述べる。
従来のコンピュータビジョン技術とディープラーニングを組み合わせた新しいエンドツーエンドチェス認識システムを紹介します。
記述されたシステムでは,テストセット上での誤差率は0.23%であり,現状の28倍である。
論文 参考訳（メタデータ） (2021-04-30T13:02:13Z) - Differentiable Multi-Granularity Human Representation Learning for
Instance-Aware Human Semantic Parsing [131.97475877877608]
カテゴリーレベルの人間のセマンティックセグメンテーションとマルチパーソンポーズ推定を共同およびエンドツーエンドで学習するために,新たなボトムアップ方式を提案する。
さまざまな人間の粒度にわたって構造情報を利用する、コンパクトで効率的で強力なフレームワークです。
3つのインスタンス認識型ヒューマンデータセットの実験は、我々のモデルがより効率的な推論で他のボトムアップの代替案よりも優れていることを示している。
論文 参考訳（メタデータ） (2021-03-08T06:55:00Z) - Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。
我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。
これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文 参考訳（メタデータ） (2020-10-24T21:35:57Z) - Continual Learning using a Bayesian Nonparametric Dictionary of Weight
Factors [75.58555462743585]
訓練されたニューラルネットワークは、シーケンシャルなタスク設定で破滅的な忘れを経験する傾向がある。
Indian Buffet Process (IBP) に基づく原則的非パラメトリック手法を提案する。
連続学習ベンチマークにおける本手法の有効性を実証し、トレーニングを通して重み要因の配分と再利用方法を分析する。
論文 参考訳（メタデータ） (2020-04-21T15:20:19Z) - Unsupervised Person Re-identification via Softened Similarity Learning [122.70472387837542]
人物再識別(re-ID)はコンピュータビジョンにおいて重要なトピックである。
本稿では,ラベル付き情報を必要としないre-IDの教師なし設定について検討する。
2つの画像ベースおよびビデオベースデータセットの実験は、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2020-04-07T17:16:41Z) - Learn to Predict Sets Using Feed-Forward Neural Networks [63.91494644881925]
本稿では、ディープフィードフォワードニューラルネットワークを用いた設定予測の課題に対処する。
未知の置換と基数を持つ集合を予測するための新しい手法を提案する。
関連視覚問題に対する集合定式化の有効性を実証する。
論文 参考訳（メタデータ） (2020-01-30T01:52:07Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2019-10-14T09:18:26Z)
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。