論文の概要: On Ensemble Learning

• arxiv url: http://arxiv.org/abs/2103.12521v1
• Date: Sun, 7 Mar 2021 14:47:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 05:22:14.856328
• Title: On Ensemble Learning
• Title（参考訳）: アンサンブル学習について
• Authors: Mark Stamp and Aniket Chandak and Gavin Wong and Allen Ye
• Abstract要約: スコアリング機能の組み合わせを利用したアンサンブル分類器について考察する。 本稿では,マルウェア解析に用いられているアンサンブル手法について簡単な調査を行う。 私たちは、大規模で挑戦的なマルウェアデータセットにアンサンブル技術を適用する実験の広範なセットで締めくくります。
• 参考スコア（独自算出の注目度）: 2.834895018689047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we consider ensemble classifiers, that is, machine learning based classifiers that utilize a combination of scoring functions. We provide a framework for categorizing such classifiers, and we outline several ensemble techniques, discussing how each fits into our framework. From this general introduction, we then pivot to the topic of ensemble learning within the context of malware analysis. We present a brief survey of some of the ensemble techniques that have been used in malware (and related) research. We conclude with an extensive set of experiments, where we apply ensemble techniques to a large and challenging malware dataset. While many of these ensemble techniques have appeared in the malware literature, previously there has been no way to directly compare results such as these, as different datasets and different measures of success are typically used. Our common framework and empirical results are an effort to bring some sense of order to the chaos that is evident in the evolving field of ensemble learning -- both within the narrow confines of the malware analysis problem, and in the larger realm of machine learning in general.
• Abstract（参考訳）: 本稿では,アンサンブル分類器,すなわち,スコアリング関数の組み合わせを利用した機械学習に基づく分類器について考察する。 このような分類を分類するためのフレームワークを提供し、また、それぞれのフレームワークがどのように適合するかを議論するいくつかのアンサンブルテクニックを概説する。 この一般的な紹介から,マルウェア分析の文脈におけるアンサンブル学習の話題に方向転換する。 本稿では,マルウェア(および関連する)研究で使用されているアンサンブル技術について簡単な調査を行う。 最後に,大規模かつ課題の多いマルウェアデータセットにアンサンブル手法を適用する実験を行った。 これらのアンサンブル技術の多くはマルウェアの文献に現れるが、これまでは、異なるデータセットや異なる成功度合いが一般的に使用されるため、このような結果を直接比較する方法がなかった。 私たちの共通フレームワークと経験的成果は、アンサンブル学習の分野において、マルウェア分析の問題の狭い領域と、マシンラーニング全般の領域の両方において、ある秩序感をもたらすための努力です。

関連論文リスト

• Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
  我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。 関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。 本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:40:12Z)
• Multi-Dimensional Ability Diagnosis for Machine Learning Algorithms [88.93372675846123]
  本稿では,機械学習アルゴリズム評価のためのタスク非依存評価フレームワークCamillaを提案する。 認識診断の仮定とニューラルネットワークを用いて、各サンプルのアルゴリズム、サンプル、スキル間の複雑な相互作用を学習する。 我々の実験では、カミラはメートル法信頼性、ランクの整合性、ランクの安定性で最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-07-14T03:15:56Z)
• Matched Machine Learning: A Generalized Framework for Treatment Effect Inference With Learned Metrics [87.05961347040237]
  我々は、機械学習ブラックボックスの柔軟性とマッチングの解釈可能性を組み合わせたフレームワークであるMatched Machine Learningを紹介する。 我々のフレームワークは機械学習を用いて、一致した単位を学習し、結果を推定する最適な指標を学習する。 一致機械学習のインスタンスはブラックボックスの機械学習手法と同等に動作し、類似した問題に対する既存のマッチング手法よりも優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2023-04-03T19:32:30Z)
• A Typology for Exploring the Mitigation of Shortcut Behavior [29.38025128165229]
  基本モジュールの共通集合を確立することにより,様々なXIL手法を単一型に統一する。 評価では、全ての手法がモデルの再検討を成功に導く。 しかし、個々のベンチマークタスクに顕著な違いが見られ、アプリケーションに関連する重要な側面が明らかになりました。
  論文  参考訳（メタデータ） (2022-03-04T14:16:50Z)
• HiRID-ICU-Benchmark -- A Comprehensive Machine Learning Benchmark on High-resolution ICU Data [0.8418021941792283]
  ICU関連タスクの幅広い範囲をカバーするベンチマークの提供を目指している。 HiRIDデータセットを用いて,臨床医とのコラボレーションによって開発された複数の臨床関連タスクを定義した。 我々は,このタイプのデータに対する深層学習アプローチのいくつかの制限を強調し,現在最先端のシーケンスモデリング手法を詳細に分析する。
  論文  参考訳（メタデータ） (2021-11-16T15:06:42Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• Curriculum Learning: A Survey [65.31516318260759]
  カリキュラム学習戦略は、機械学習のあらゆる分野で成功している。 我々は,様々な分類基準を考慮して,カリキュラム学習アプローチの分類を手作業で構築する。 集約型クラスタリングアルゴリズムを用いて,カリキュラム学習手法の階層木を構築する。
  論文  参考訳（メタデータ） (2021-01-25T20:08:32Z)
• Generalized Categorisation of Digital Pathology Whole Image Slides using Unsupervised Learning [0.0]
  このプロジェクトの目的は、大きな病理画像を小さなタイルに分割し、真のラベルの知識なしにそれらのタイルを別々のグループにクラスタリングすることです。 このプロジェクトは、K-Meansなどの古典的なクラスタリングアルゴリズムから、深層オートエンコーダやマルチロスラーニングなどのより複雑な機能抽出技術まで、さまざまなテクニックを組み合わせています。
  論文  参考訳（メタデータ） (2020-12-27T14:38:22Z)
• A black-box adversarial attack for poisoning clustering [78.19784577498031]
  本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。 我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-09T18:19:31Z)
• Machine Learning with the Sugeno Integral: The Case of Binary Classification [5.806154304561782]
  機械学習の文脈におけるSugeno積分の使用について詳述する。 本稿では,スゲノ積分をアグリゲーション関数として用いる二項分類法を提案する。 スジェノ積分の特異性のため、このアプローチは特に順序データから学ぶのに適している。
  論文  参考訳（メタデータ） (2020-07-06T20:22:01Z)

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。