論文の概要: Crossbreeding in Random Forest
- arxiv url: http://arxiv.org/abs/2101.08585v1
- Date: Thu, 21 Jan 2021 12:58:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-21 08:05:10.433316
- Title: Crossbreeding in Random Forest
- Title（参考訳）: ランダム林における交雑交配
- Authors: Abolfazl Nadi, Hadi Moradi, Khalil Taheri
- Abstract要約: エンサンブル学習方法は、より良い予測性能のための複数の学習アルゴリズムの恩恵を受けるように設計されています。
この改良された性能のトレードオフは、シングルラーニングシステムと比較して、より遅い速度とより大きいアンサンブル学習システムである。
本稿では,最も強力なアンサンブル手法の1つとして,ランダムフォレスト(RF)でこの問題に対処する新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 5.8010446129208155
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Ensemble learning methods are designed to benefit from multiple learning
algorithms for better predictive performance. The tradeoff of this improved
performance is slower speed and larger size of ensemble learning systems
compared to single learning systems. In this paper, we present a novel approach
to deal with this problem in Random Forest (RF) as one of the most powerful
ensemble methods. The method is based on crossbreeding of the best tree
branches to increase the performance of RF in space and speed while keeping the
performance in the classification measures. The proposed approach has been
tested on a group of synthetic and real datasets and compared to the standard
RF approach. Several evaluations have been conducted to determine the effects
of the Crossbred RF (CRF) on the accuracy and the number of trees in a forest.
The results show better performance of CRF compared to RF.
- Abstract（参考訳）: アンサンブル学習法は、予測性能を改善するために複数の学習アルゴリズムの恩恵を受けるように設計されている。
この改良された性能のトレードオフは、シングルラーニングシステムと比較して、より遅い速度とより大きいアンサンブル学習システムである。
本稿では,最も強力なアンサンブル手法の一つとして,ランダムフォレスト(RF)でこの問題に対処する新しい手法を提案する。
本手法は, 木枝の交配により, 空間および速度におけるRFの性能を向上させるとともに, 分類基準における性能を維持する。
提案手法は、合成データセットと実データセットのグループでテストされ、標準RF手法と比較されている。
CRF(Crossbred RF)が森林における樹木の精度と数に与える影響を明らかにするために,いくつかの評価を行った。
その結果, RFと比較してCRFの性能は良好であった。
関連論文リスト
- Heterogeneous Random Forest [2.0646127669654835]
不均一ランダムフォレスト(HRF)は、木多様性を有意義な方法で向上させるように設計されている。
HRFは、ほとんどのデータセットの精度において、他のアンサンブル手法よりも一貫して優れていた。
論文 参考訳（メタデータ） (2024-10-24T09:18:55Z) - LeRF: Learning Resampling Function for Adaptive and Efficient Image Interpolation [64.34935748707673]
最近のディープニューラルネットワーク(DNN)は、学習データ前処理を導入することで、パフォーマンスを著しく向上させた。
本稿では,DNNが学習した構造的前提と局所的連続仮定の両方を活かした学習再サンプリング(Learning Resampling, LeRF)を提案する。
LeRFは空間的に異なる再サンプリング関数を入力画像ピクセルに割り当て、ニューラルネットワークを用いてこれらの再サンプリング関数の形状を予測する。
論文 参考訳（メタデータ） (2024-07-13T16:09:45Z) - Spatial Annealing Smoothing for Efficient Few-shot Neural Rendering [106.0057551634008]
我々は,Spatial Annealing smoothing regularized NeRF (SANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。
単に1行のコードを追加することで、SANeRFは現在の数ショットのNeRF法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
論文 参考訳（メタデータ） (2024-06-12T02:48:52Z) - Enhancing Fast Feed Forward Networks with Load Balancing and a Master Leaf Node [49.08777822540483]
高速フィードフォワードネットワーク(FFF)は、入力空間の異なる領域が広いネットワークのニューロンの異なるサブセットを活性化する観察を利用する。
本稿では,FFFアーキテクチャにロードバランシングとマスタリーフ技術を導入し,性能向上とトレーニングプロセスの簡素化を図る。
論文 参考訳（メタデータ） (2024-05-27T05:06:24Z) - Forest-ORE: Mining Optimal Rule Ensemble to interpret Random Forest models [0.0]
本研究では,局所的およびグローバル的解釈のための最適化されたルールアンサンブル(ORE)を用いて,ランダムフォレスト(RF)を解釈可能にする手法であるフォレスト-OREを提案する。
良く知られた手法の比較分析は、フォレスト-OREが予測性能、解釈可能性カバレッジ、モデルサイズの間の優れたトレードオフを提供することを示している。
論文 参考訳（メタデータ） (2024-03-26T10:54:07Z) - Data-driven multinomial random forest [2.1828601975620257]
本稿では,データ駆動型マルチノミアルランダムフォレスト(DMRF)アルゴリズムを提案する。
我々の知る限り、DMRFは現在アルゴリズムの複雑さが低い最も優れた一貫性のあるRF変種である。
論文 参考訳（メタデータ） (2023-04-09T14:04:56Z) - The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。
FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。
我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
論文 参考訳（メタデータ） (2023-03-17T02:01:11Z) - Pushing the Efficiency Limit Using Structured Sparse Convolutions [82.31130122200578]
本稿では,画像の固有構造を利用して畳み込みフィルタのパラメータを削減する構造的スパース畳み込み(SSC)を提案する。
我々は、SSCが効率的なアーキテクチャにおける一般的なレイヤ(奥行き、グループ回り、ポイント回りの畳み込み)の一般化であることを示す。
SSCに基づくアーキテクチャは、CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet分類ベンチマークのベースラインと比較して、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-10-23T18:37:22Z) - Residual Likelihood Forests [19.97069303172077]
本稿では,Residual Likelihood Forests(RLF)と呼ばれる新たなアンサンブル学習手法を提案する。
我々の弱い学習者は、過去の学習者の文脈でグローバルな損失を用いて逐次最適化された条件付き確率を生成する。
Random Forests や Gradient Boosted Trees など,いくつかのアンサンブルアプローチと比較すると,RDF のパフォーマンスは大幅に向上している。
論文 参考訳（メタデータ） (2020-11-04T00:59:41Z) - AIN: Fast and Accurate Sequence Labeling with Approximate Inference
Network [75.44925576268052]
線形鎖条件ランダム場(CRF)モデルは最も広く使われているニューラルネットワークラベリング手法の1つである。
厳密な確率的推論アルゴリズムは典型的にはCRFモデルの訓練と予測段階に適用される。
CRFモデルに対して並列化可能な近似変分推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-17T12:18:43Z) - Random Partitioning Forest for Point-Wise and Collective Anomaly
Detection -- Application to Intrusion Detection [9.74672460306765]
DiFF-RFはランダムな分割二分木で構成されるアンサンブルアプローチであり、異常を検出する。
実験の結果,DiFF-RFはアイソレーション・フォレスト(IF)アルゴリズムをほぼ体系的に上回っていることがわかった。
我々の経験から,DiFF-RFは小規模な学習データの存在下では有効であることがわかった。
論文 参考訳（メタデータ） (2020-06-29T10:44:08Z)
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。