論文の概要: Adaptive Matching of Kernel Means
- arxiv url: http://arxiv.org/abs/2011.07798v1
- Date: Mon, 16 Nov 2020 09:00:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 23:47:17.777369
- Title: Adaptive Matching of Kernel Means
- Title（参考訳）: カーネル平均の適応マッチング
- Authors: Miao Cheng, Xinge You
- Abstract要約: カーネル平均マッチング(KMM)は,カーネルマシンの知識発見と新規性検出において重要な手法となっている。
本研究では,カーネル手段の適応マッチングのための新しい手法を提案し,高い重要度を持つ選択データを用いて計算効率を最適化する手法を提案する。
様々な実世界のデータセットに対する実験結果から,提案手法はいくつかの最先端手法と比較して優れた性能が得られることを示した。
- 参考スコア（独自算出の注目度）: 10.377914682543903
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a promising step, the performance of data analysis and feature learning
are able to be improved if certain pattern matching mechanism is available. One
of the feasible solutions can refer to the importance estimation of instances,
and consequently, kernel mean matching (KMM) has become an important method for
knowledge discovery and novelty detection in kernel machines. Furthermore, the
existing KMM methods have focused on concrete learning frameworks. In this
work, a novel approach to adaptive matching of kernel means is proposed, and
selected data with high importance are adopted to achieve calculation
efficiency with optimization. In addition, scalable learning can be conducted
in proposed method as a generalized solution to matching of appended data. The
experimental results on a wide variety of real-world data sets demonstrate the
proposed method is able to give outstanding performance compared with several
state-of-the-art methods, while calculation efficiency can be preserved.
- Abstract（参考訳）: 有望なステップとして、あるパターンマッチングメカニズムが利用可能であれば、データ分析と機能学習のパフォーマンスを改善することができる。
実現可能なソリューションの1つは、インスタンスの重要度を推定することであり、したがってカーネル平均マッチング(KMM)は、カーネルマシンにおける知識発見と新規性検出の重要な方法となっている。
さらに,既存のKMM手法は具体的な学習フレームワークに重点を置いている。
本研究では,カーネル手段の適応マッチングのための新しい手法を提案し,高い重要性を持つ選択データを用いて計算効率を最適化する。
さらに,付加データのマッチングを一般化した手法として,スケーラブルな学習を行うことができる。
様々な実世界のデータセットに対する実験結果から,提案手法はいくつかの最先端手法と比較して優れた性能を示し,計算効率は維持可能である。
関連論文リスト
- Optimal Kernel Choice for Score Function-based Causal Discovery [92.65034439889872]
本稿では,データに最も適合する最適なカーネルを自動的に選択する,一般化スコア関数内のカーネル選択手法を提案する。
合成データと実世界のベンチマークの両方で実験を行い,提案手法がカーネル選択法より優れていることを示す。
論文 参考訳（メタデータ） (2024-07-14T09:32:20Z) - A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。
我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-17T04:41:07Z) - Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。
既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。
提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
論文 参考訳（メタデータ） (2023-07-08T15:41:48Z) - Greedy Modality Selection via Approximate Submodular Maximization [19.22947539760366]
マルチモーダル学習は、異質な情報ソースを融合することを目的としたマルチモーダルデータからの学習を検討する。
メモリ制約のため、利用可能なすべてのモダリティを活用することが常に可能であるとは限らない。
本研究では,ある計算制約の下で最も情報的かつ補完的なモダリティを効率的に選択することを目的としたモダリティ選択について検討する。
論文 参考訳（メタデータ） (2022-10-22T22:07:27Z) - MACE: An Efficient Model-Agnostic Framework for Counterfactual
Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。
MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。
公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文 参考訳（メタデータ） (2022-05-31T04:57:06Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳（メタデータ） (2022-01-31T13:01:37Z) - Unsupervised feature selection via self-paced learning and low-redundant
regularization [6.083524716031565]
自己評価学習とサブスペース学習の枠組みを統合することにより,教師なしの特徴選択を提案する。
この手法の収束性は理論的および実験的に証明される。
実験の結果,提案手法はクラスタリング法の性能を向上し,他の比較アルゴリズムよりも優れていることがわかった。
論文 参考訳（メタデータ） (2021-12-14T08:28:19Z) - A concise method for feature selection via normalized frequencies [0.0]
本稿では,普遍的特徴選択のための簡潔な手法を提案する。
提案手法は, フィルタ法とラッパー法を融合して行う。
評価結果から,提案手法は,精度,精度,リコール,Fスコア,AUCの点で,いくつかの最先端技術に優れた性能を示した。
論文 参考訳（メタデータ） (2021-06-10T15:29:54Z) - Scalable Approximate Inference and Some Applications [2.6541211006790983]
本稿では,近似推論のための新しいフレームワークを提案する。
提案する4つのアルゴリズムは,Steinの手法の最近の計算進歩に動機付けられている。
シミュレーションおよび実データを用いた結果から,アルゴリズムの統計的効率と適用性を示す。
論文 参考訳（メタデータ） (2020-03-07T04:33:27Z) - Learning with Differentiable Perturbed Optimizers [54.351317101356614]
本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。
提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。
本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
論文 参考訳（メタデータ） (2020-02-20T11:11:32Z) - Learning High Order Feature Interactions with Fine Control Kernels [12.5433010409486]
我々は、全ての可能な乗法的相互作用を特徴とするスパース統計モデルを学習するための方法論を提供する。
また、Fenchel DualityをベースとしたアルゴリズムパラダイムであるFine Control Kernelフレームワークについても紹介する。
論文 参考訳（メタデータ） (2020-02-09T06:29:15Z)
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。