論文の概要: LRA: an accelerated rough set framework based on local redundancy of
attribute for feature selection
- arxiv url: http://arxiv.org/abs/2011.00215v1
- Date: Sat, 31 Oct 2020 08:50:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 04:56:42.863336
- Title: LRA: an accelerated rough set framework based on local redundancy of
attribute for feature selection
- Title（参考訳）: LRA:特徴選択のための属性の局所冗長性に基づく高速化された粗集合フレームワーク
- Authors: Shuyin Xia, Wenhua Li, Guoyin Wang, Xinbo Gao, Changqing Zhang,
Elisabeth Giem
- Abstract要約: ラフセットアルゴリズムを高速化するLRAフレームワークを提案する。
このフレームワークは、ほとんど全ての粗いセットメソッドに適用できる汎用的なフレームワークである。
- 参考スコア（独自算出の注目度）: 81.19294803707648
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose and prove the theorem regarding the stability of
attributes in a decision system. Based on the theorem, we propose the LRA
framework for accelerating rough set algorithms. It is a general-purpose
framework which can be applied to almost all rough set methods significantly .
Theoretical analysis guarantees high efficiency. Note that the enhancement of
efficiency will not lead to any decrease of the classification accuracy.
Besides, we provide a simpler prove for the positive approximation acceleration
framework.
- Abstract（参考訳）: 本稿では, 決定システムにおける属性の安定性に関する定理を提案し, 証明する。
この定理に基づき、粗集合アルゴリズムの高速化のためのLRAフレームワークを提案する。
これは、ほとんどすべての粗い集合メソッドに著しく適用できる汎用フレームワークである。
理論的解析は高い効率を保証する。
効率性の向上は、分類精度の低下につながらないことに注意。
さらに、正近似加速度フレームワークのより簡単な証明を提供する。
関連論文リスト
- Randomized Asymmetric Chain of LoRA: The First Meaningful Theoretical Framework for Low-Rank Adaptation [58.288682735160585]
Low-Rank Adaptation (LoRA) は、ファインチューニングモデルの一般的なテクニックである。
LoRAは、フルパラメータの微調整と比較すると、しばしば実行されます。
本稿では,LoRA手法の適応率を厳密に分析するフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-10T18:51:53Z) - Parameter-Free Algorithms for Performative Regret Minimization under
Decision-Dependent Distributions [15.396561118589577]
パフォーマンスリスク最小化は、決定依存分布の下での最適化の定式化である。
我々のアルゴリズムは、既存のリプシッツ定数分布パラメータに基づく手法を大幅に改善する。
提案手法は,既存手法と他のブラックボックス楽観的最適化手法に比較して,アルゴリズムの数値的優位性を示す実験結果を提供する。
論文 参考訳（メタデータ） (2024-02-23T08:36:28Z) - Revisiting GANs by Best-Response Constraint: Perspective, Methodology,
and Application [49.66088514485446]
ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。
モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
論文 参考訳（メタデータ） (2022-05-20T12:42:41Z) - Towards Extremely Fast Bilevel Optimization with Self-governed
Convergence Guarantees [42.514612465664605]
既存の明示的かつ暗黙的なグラディエントベースのBLOを均一に理解するための単一レベル定式化を提案する。
我々の収束結果の顕著な特徴は、元の非加速GBLOバージョンと比較して、高速なBAGDCは定常性に対する非漸近収束理論を統一的に認めることである。
論文 参考訳（メタデータ） (2022-05-20T09:46:10Z) - False Correlation Reduction for Offline Reinforcement Learning [115.11954432080749]
本稿では,実効的かつ理論的に証明可能なアルゴリズムであるオフラインRLに対するfalSe Correlation Reduction (SCORE)を提案する。
SCOREは、標準ベンチマーク(D4RL)において、様々なタスクにおいて3.1倍の高速化でSoTA性能を達成することを実証的に示す。
論文 参考訳（メタデータ） (2021-10-24T15:34:03Z) - Selective Classification via One-Sided Prediction [54.05407231648068]
片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。
理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
論文 参考訳（メタデータ） (2020-10-15T16:14:27Z) - Target-Embedding Autoencoders for Supervised Representation Learning [111.07204912245841]
本稿では,対象空間が高次元な純粋教師付き環境における一般化の枠組みを解析する。
我々は、教師付き予測のための目標埋め込みオートエンコーダ(TEA)の一般的なフレームワークのモチベーションと形式化を行い、特徴とターゲットの予測の両方から予測可能なように最適化された中間潜在表現を学習する。
論文 参考訳（メタデータ） (2020-01-23T02:37:10Z)
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。