論文の概要: Classifier Pool Generation based on a Two-level Diversity Approach
- arxiv url: http://arxiv.org/abs/2011.01908v1
- Date: Tue, 3 Nov 2020 18:41:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 04:16:00.718569
- Title: Classifier Pool Generation based on a Two-level Diversity Approach
- Title（参考訳）: 2レベル多様性アプローチに基づく分類プール生成
- Authors: Marcos Monteiro, Alceu S. Britto Jr, Jean P. Barddal, Luiz S.
Oliveira, Robert Sabourin
- Abstract要約: 本稿では,データの複雑さと決定に基づいて推定された多様性によって導かれるプール生成手法について述べる。
後部プール適応のために,各サブサンプルに高いばらつきを有する複雑性尺度が選択され,進化的アルゴリズムが複雑性と決定空間の多様性を最適化する。
その結果,動的選択法と動的アンサンブル選択法を適用した場合,69.4%の精度向上が得られた。
- 参考スコア（独自算出の注目度）: 14.617208698215808
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper describes a classifier pool generation method guided by the
diversity estimated on the data complexity and classifier decisions. First, the
behavior of complexity measures is assessed by considering several subsamples
of the dataset. The complexity measures with high variability across the
subsamples are selected for posterior pool adaptation, where an evolutionary
algorithm optimizes diversity in both complexity and decision spaces. A robust
experimental protocol with 28 datasets and 20 replications is used to evaluate
the proposed method. Results show significant accuracy improvements in 69.4% of
the experiments when Dynamic Classifier Selection and Dynamic Ensemble
Selection methods are applied.
- Abstract（参考訳）: 本稿では,データ複雑性と分類器決定から推定される多様性を導いた分類器プール生成手法について述べる。
まず、データセットのいくつかのサブサンプルを考慮し、複雑性尺度の挙動を評価する。
進化的アルゴリズムが複雑性と決定空間の両方で多様性を最適化する後方プール適応のために、サブサンプル全体に高い変動性を持つ複雑性測度が選択される。
提案手法の評価には,28のデータセットと20のレプリケーションを備えた堅牢な実験プロトコルを用いる。
その結果,動的分類器選択法と動的アンサンブル選択法を適用した場合,69.4%の精度向上が得られた。
関連論文リスト
- An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Variable Selection in Maximum Mean Discrepancy for Interpretable
Distribution Comparison [9.12501922682336]
2サンプルテストは、同じ分布から2つのデータセットが生成されるかどうかを決定する。
本稿では,2サンプルテストにおける変数選択について検討し,2つの分布の相違の原因となる変数を同定する。
論文 参考訳（メタデータ） (2023-11-02T18:38:39Z) - Finding Support Examples for In-Context Learning [73.90376920653507]
本稿では,この課題を2段階に解決するためのfilter-thEN-Search法であるLENSを提案する。
まず、データセットをフィルタリングして、個別に情報的インコンテキストの例を得る。
そこで本研究では,反復的に改良し,選択したサンプル順列を評価可能な多様性誘導型サンプル探索を提案する。
論文 参考訳（メタデータ） (2023-02-27T06:32:45Z) - Variable Clustering via Distributionally Robust Nodewise Regression [7.289979396903827]
可変クラスタリングのための多要素ブロックモデルについて検討し、ノード単位回帰の分布的ロバストなバージョンを定式化することにより、正規化サブスペースクラスタリングに接続する。
我々は凸緩和を導出し、ロバスト領域のサイズを選択するためのガイダンスを与え、そのためデータに基づいて正規化重み付けパラメータを提案し、実装のためのADMMアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-12-15T16:23:25Z) - Towards Automated Imbalanced Learning with Deep Hierarchical
Reinforcement Learning [57.163525407022966]
不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。
オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。
我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
論文 参考訳（メタデータ） (2022-08-26T04:28:01Z) - Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise
Comparisons [85.5955376526419]
ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。
本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。
提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
論文 参考訳（メタデータ） (2021-10-08T13:51:55Z) - Clustering-Based Subset Selection in Evolutionary Multiobjective
Optimization [11.110675371854988]
サブセット選択は進化的多目的最適化(EMO)アルゴリズムにおいて重要な要素である。
クラスタリングに基づく手法は、EMOアルゴリズムによって得られた解集合からの部分集合選択の文脈では評価されていない。
論文 参考訳（メタデータ） (2021-08-19T02:56:41Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-06-22T16:07:02Z) - Greedy Search Algorithms for Unsupervised Variable Selection: A
Comparative Study [3.4888132404740797]
本稿では,非監視変数選択に基づく次元還元について述べる。
本稿では,7つの非監視勾配変数選択アルゴリズムの臨界評価について述べる。
本稿では,FSCA(Forward selection component analysis)アルゴリズムで説明された分散の遅延実装を初めて導入し,評価する。
論文 参考訳（メタデータ） (2021-03-03T21:10:26Z) - Clustering Binary Data by Application of Combinatorial Optimization
Heuristics [52.77024349608834]
本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。
近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。
準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
論文 参考訳（メタデータ） (2020-01-06T23:33:31Z)
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。