論文の概要: HiPaR: Hierarchical Pattern-aided Regression
- arxiv url: http://arxiv.org/abs/2102.12370v1
- Date: Wed, 24 Feb 2021 15:53:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-25 14:40:20.352516
- Title: HiPaR: Hierarchical Pattern-aided Regression
- Title（参考訳）: HiPaR:階層型パターン支援回帰
- Authors: Luis Gal\'arraga and Olivier Pelgrin and Alexandre Termier
- Abstract要約: HiPaRは、$p Rightarrow y = f(X)$という形式のハイブリッドルールをマイニングします。ここでは、$p$はデータ領域の特性付けであり、$f(X)$は興味ある$y$の変数上の線形回帰モデルです。
HiPaRはパターンマイニング技術を利用して、ターゲット変数が局所線形モデルによって正確に説明できるデータの領域を特定する。
実験が示すように、hipalは既存のパターンベースの回帰法よりも少ないルールをマイニングしながら、最先端の予測性能を実現しています。
- 参考スコア（独自算出の注目度）: 71.22664057305572
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce HiPaR, a novel pattern-aided regression method for tabular data
containing both categorical and numerical attributes. HiPaR mines hybrid rules
of the form $p \Rightarrow y = f(X)$ where $p$ is the characterization of a
data region and $f(X)$ is a linear regression model on a variable of interest
$y$. HiPaR relies on pattern mining techniques to identify regions of the data
where the target variable can be accurately explained via local linear models.
The novelty of the method lies in the combination of an enumerative approach to
explore the space of regions and efficient heuristics that guide the search.
Such a strategy provides more flexibility when selecting a small set of jointly
accurate and human-readable hybrid rules that explain the entire dataset. As
our experiments shows, HiPaR mines fewer rules than existing pattern-based
regression methods while still attaining state-of-the-art prediction
performance.
- Abstract（参考訳）: カテゴリ属性と数値属性の両方を含む表データに対する新しいパターン支援回帰法であるHiPaRを紹介します。
HiPaRは、$p \Rightarrow y = f(X)$という形式のハイブリッドルールをマイニングする。$p$はデータ領域の特性付けであり、$f(X)$は興味ある$y$の変数上の線形回帰モデルである。
HiPaRはパターンマイニング技術を利用して、ターゲット変数が局所線形モデルによって正確に説明できるデータの領域を特定する。
この手法の斬新性は、領域の空間を探索するための列挙的アプローチと、探索を導く効率的なヒューリスティックの組み合わせにある。
このような戦略は、データセット全体を説明できる少数の精度と可読性のハイブリッドルールを選択する際に、より柔軟性を提供します。
実験が示すように、hipalは既存のパターンベースの回帰法よりも少ないルールをマイニングしながら、最先端の予測性能を実現しています。
関連論文リスト
- Highly Adaptive Ridge [84.38107748875144]
直交可積分な部分微分を持つ右連続函数のクラスにおいて,$n-2/3$自由次元L2収束率を達成する回帰法を提案する。
Harは、飽和ゼロオーダーテンソル積スプライン基底展開に基づいて、特定のデータ適応型カーネルで正確にカーネルリッジレグレッションを行う。
我々は、特に小さなデータセットに対する最先端アルゴリズムよりも経験的性能が優れていることを示す。
論文 参考訳（メタデータ） (2024-10-03T17:06:06Z) - LFFR: Logistic Function For (single-output) Regression [0.0]
完全同型暗号方式で暗号化されたデータを用いたプライバシー保護型回帰トレーニングを実装した。
我々は,ロジスティック関数を用いたホモモルフィック回帰のための新しい,効率的なアルゴリズムLFFRを開発した。
論文 参考訳（メタデータ） (2024-07-13T17:33:49Z) - Data-Efficient Learning via Clustering-Based Sensitivity Sampling:
Foundation Models and Beyond [28.651041302245538]
我々は$k$-meansクラスタリングとサンプリング感度に基づく新しいデータ選択手法を提案する。
線形回帰にどのように適用できるかを示すとともに,レバレッジスコアサンプリングの性能と驚くほど一致した新しいサンプリング戦略がもたらされる。
論文 参考訳（メタデータ） (2024-02-27T09:03:43Z) - Easy Differentially Private Linear Regression [16.325734286930764]
本研究では,指数関数機構を用いて,非プライベート回帰モデルの集合からタキー深度の高いモデルを選択するアルゴリズムについて検討する。
このアルゴリズムは、データリッチな設定において、強い経験的性能を得る。
論文 参考訳（メタデータ） (2022-08-15T17:42:27Z) - $p$-Generalized Probit Regression and Scalable Maximum Likelihood
Estimation via Sketching and Coresets [74.37849422071206]
本稿では, 2次応答に対する一般化線形モデルである,$p$一般化プロビット回帰モデルについて検討する。
p$の一般化されたプロビット回帰に対する最大可能性推定器は、大容量データ上で$(1+varepsilon)$の係数まで効率的に近似できることを示す。
論文 参考訳（メタデータ） (2022-03-25T10:54:41Z) - Universal and data-adaptive algorithms for model selection in linear
contextual bandits [52.47796554359261]
モデル選択の最も単純な非自明な例を考える: 単純な多重武装バンディット問題と線形文脈バンディット問題とを区別する。
データ適応的な方法で探索する新しいアルゴリズムを導入し、$mathcalO(dalpha T1- alpha)$という形式の保証を提供する。
我々のアプローチは、いくつかの仮定の下で、ネストされた線形文脈包帯のモデル選択に拡張する。
論文 参考訳（メタデータ） (2021-11-08T18:05:35Z) - Gaussian Process Model for Estimating Piecewise Continuous Regression
Functions [2.132096006921048]
gaussian process (gp) モデルによる分割連続回帰関数の推定
新しいGPモデルは、テスト位置毎に未知の部分的連続回帰関数の局所的なGP推定を求める。
論文 参考訳（メタデータ） (2021-04-13T20:01:43Z) - Nearly Dimension-Independent Sparse Linear Bandit over Small Action
Spaces via Best Subset Selection [71.9765117768556]
本研究では,高次元線形モデルの下での文脈的帯域問題について考察する。
この設定は、パーソナライズされたレコメンデーション、オンライン広告、パーソナライズされた医療など、不可欠な応用を見出す。
本稿では,最適部分集合選択法を用いて2重成長エポックを推定する手法を提案する。
論文 参考訳（メタデータ） (2020-09-04T04:10:39Z) - Piecewise Linear Regression via a Difference of Convex Functions [50.89452535187813]
本稿では,データに対する凸関数(DC関数)の差を利用した線形回帰手法を提案する。
実際に実装可能であることを示すとともに,実世界のデータセット上で既存の回帰/分類手法に匹敵する性能を有することを実証的に検証した。
論文 参考訳（メタデータ） (2020-07-05T18:58:47Z)
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。