Fugu-MT 論文翻訳(概要): Relational Boosted Bandits

論文の概要: Relational Boosted Bandits

arxiv url: http://arxiv.org/abs/2012.09220v1
Date: Wed, 16 Dec 2020 19:24:58 GMT
ステータス: 処理完了
システム内更新日: 2021-05-03 03:10:00.078998
Title: Relational Boosted Bandits
Title（参考訳）: リレーショナルブーイングバンド
Authors: Ashutosh Kakadiya and Sriraam Natarajan and Balaraman Ravindran
Abstract要約: ブースト木に基づくドメインに対するBoost Bandits(2,) acontextual algorithmを提案する。リンク予測や関係分類,レコメンデーションといったタスクにおけるRB2の有効性と解釈性を実証的に実証した。
参考スコア（独自算出の注目度）: 31.461919418139438
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Contextual bandits algorithms have become essential in real-world user interaction problems in recent years. However, these algorithms rely on context as attribute value representation, which makes them unfeasible for real-world domains like social networks are inherently relational. We propose Relational Boosted Bandits(RB2), acontextual bandits algorithm for relational domains based on (relational) boosted trees. RB2 enables us to learn interpretable and explainable models due to the more descriptive nature of the relational representation. We empirically demonstrate the effectiveness and interpretability of RB2 on tasks such as link prediction, relational classification, and recommendations.
Abstract（参考訳）: コンテキストバンディットアルゴリズムは,近年,実世界のユーザインタラクション問題において必須となっている。しかし、これらのアルゴリズムは属性の値表現としてコンテキストに依存しており、ソーシャルネットワークのような現実世界のドメインは本質的に関係性がない。本稿では,(関係)ブースト木に基づく関係領域の文脈的バンドイットアルゴリズムであるrelational boosted bandits(rb2)を提案する。 RB2により、関係表現のより記述的な性質から解釈可能で説明可能なモデルを学ぶことができる。リンク予測や関係分類,レコメンデーションといったタスクにおけるRB2の有効性と解釈性を実証的に示す。

関連論文リスト

Online Clustering of Dueling Bandits [59.09590979404303]
本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-02-04T07:55:41Z)
Comparative Performance of Collaborative Bandit Algorithms: Effect of Sparsity and Exploration Intensity [0.6526824510982802]
協調的盗賊は、武器(またはアイテム)間の関係を導入することにより、文脈的盗賊のパフォーマンスを向上させることを目的としている本稿では,協調バンディットアルゴリズムの包括的解析を行い,その性能を徹底的に比較する。
論文参考訳（メタデータ） (2024-10-15T22:09:21Z)
Relevance-aware Algorithmic Recourse [3.6141428739228894]
アルゴリズムのリコースは、予測モデルによる決定を明確にするためのツールとして現れます。現在のアルゴリズム的リコース法では、すべてのドメイン値が等しく扱われるが、現実の環境では非現実的である。本稿では、回帰タスクにアルゴリズム・リコースを適用する際に、関連性の概念を活用する新しいフレームワーク、Relevance-Aware Algorithmic Recourse (RAAR)を提案する。
論文参考訳（メタデータ） (2024-05-29T13:25:49Z)
Deciphering Compatibility Relationships with Textual Descriptions via Extraction and Explanation [28.91572089512024]
Pair Fashion Explanationデータセットは、互換性関係を照らすためにキュレーションされたユニークなリソースである。このデータセットを活用する革新的な2段階パイプラインモデルを提案する。実験では, 知識に富み, 真実の一致した相関関係に整合し, 理解しやすく, 情報に富む記述を生成するモデルの可能性を示す。
論文参考訳（メタデータ） (2023-12-17T05:45:49Z)
Transitivity Recovering Decompositions: Interpretable and Robust Fine-Grained Relationships [69.04014445666142]
Transitivity Recovering Decompositions (TRD) は、抽象的な創発的関係の解釈可能な等価性を識別するグラフ空間探索アルゴリズムである。 TRDは明らかにノイズの多い見方に対して堅牢であり、実証的な証拠もこの発見を支持している。
論文参考訳（メタデータ） (2023-10-24T16:48:56Z)
Learnable Pillar-based Re-ranking for Image-Text Retrieval [119.9979224297237]
画像テキスト検索は、モダリティギャップを埋め、意味的類似性に基づいてモダリティコンテンツを検索することを目的としている。一般的なポストプロセッシング手法であるリグレードは, 単一モダリティ検索タスクにおいて, 隣り合う関係を捕捉する優位性を明らかにしている。本稿では,画像テキスト検索のための新しい学習可能な柱型リグレードパラダイムを提案する。
論文参考訳（メタデータ） (2023-04-25T04:33:27Z)
Federated Learning for Heterogeneous Bandits with Unobserved Contexts [0.0]
我々は、未知のコンテキストを持つ多腕コンテキスト包帯のフェデレーション問題について検討する。線形パラメタライズされた報酬関数に対して,除去に基づくアルゴリズムを提案し,後悔の束縛を証明した。
論文参考訳（メタデータ） (2023-03-29T22:06:24Z)
Relational Sentence Embedding for Flexible Semantic Matching [86.21393054423355]
文埋め込みの可能性を明らかにするための新しいパラダイムとして,文埋め込み(Sentence Embedding, RSE)を提案する。 RSEは文関係のモデル化に有効で柔軟性があり、一連の最先端の埋め込み手法より優れている。
論文参考訳（メタデータ） (2022-12-17T05:25:17Z)
Learning from Context or Names? An Empirical Study on Neural Relation Extraction [112.06614505580501]
テキストにおける2つの主要な情報ソースの効果について検討する:テキストコンテキストとエンティティ参照(名前) 本稿では,関係抽出のための実体型コントラスト事前学習フレームワーク(RE)を提案する。我々のフレームワークは、異なるREシナリオにおけるニューラルモデルの有効性と堅牢性を改善することができる。
論文参考訳（メタデータ） (2020-10-05T11:21:59Z)
Relation of the Relations: A New Paradigm of the Relation Extraction Problem [52.21210549224131]
我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
論文参考訳（メタデータ） (2020-06-05T22:25:27Z)

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。