論文の概要: Urysohn Forest for Aleatoric Uncertainty Quantification
- arxiv url: http://arxiv.org/abs/2104.01714v1
- Date: Sun, 4 Apr 2021 23:49:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-07 01:14:39.820989
- Title: Urysohn Forest for Aleatoric Uncertainty Quantification
- Title(参考訳): urysohn forest for aleatoric uncertainty quantification (特集 ユリソーン森林)
- Authors: Andrew Polar, Michael Poluektov
- Abstract要約: Urysohn tree は木として連結された複数の離散な Urysohn 作用素を表す回帰モデルである。
そのような木の例は半世紀以上にわたって知られている。
この記事はこの研究の2つのステップです。
まず、Kolmogorov-Arnoldモデルの適切な置き換えである軽量バイナリUrysohnツリーです。
- 参考スコア(独自算出の注目度): 3.04585143845864
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The terms tree and forest are normally associated with an ensemble of
classifiers. In this article Urysohn tree is a regression model representing
multiple discrete Urysohn operators connected as a tree, where the inputs of
one operator are outputs of the others. This structure, referred as Urysohn
tree, is not completely new. One example of such tree is known for more than
half a century. It is Kolmogorov-Arnold representation. The authors of this
paper in their recently published research offered the new computational
technique for constructing of Kolmogorov-Arnold representation as a deep
machine learning process. This article is two steps further into this research.
It has two parts. First is a lightweight binary Urysohn tree which is adequate
replacement of Kolmogorov-Arnold model and second is a boosting algorithm for
building of the forest of these trees for variance reduction and modeling of
aleatoric uncertainty of the data.
- Abstract(参考訳): 木と森の用語は通常、分類器の集合と関連付けられている。
本稿では、 urysohn tree は、複数の離散 urysohn operator を木として連結した回帰モデルであり、ある作用素の入力は他の作用素の出力である。
この構造はユリソン木と呼ばれ、完全に新しいものではない。
そのような木の例は半世紀以上にわたって知られている。
コルモゴロフ=アルノルド表現である。
最近発表された研究で著者らは、深い機械学習プロセスとしてkolmogorov-arnold表現を構築するための新しい計算技術を提供した。
この記事はこの研究の2つのステップです。
2つの部分がある。
1つは、Kolmogorov-Arnoldモデルの適切な置き換えである軽量二分木Urysohn木であり、もう1つは、これらの木の森林構築のためのブースティングアルゴリズムであり、データの分散低減とアレタリック不確かさのモデル化である。
関連論文リスト
- Learning a Decision Tree Algorithm with Transformers [80.49817544396379]
本稿では,従来のアルゴリズムから出力されたフィルタを用いてトランスフォーマーモデルを用いて,分類のための強力な決定木を生成するメタトレーについて紹介する。
次にMetaTreeをトレーニングして、強力な一般化パフォーマンスを実現するツリーを生成します。
論文 参考訳(メタデータ) (2024-02-06T07:40:53Z) - Robustifying Algorithms of Learning Latent Trees with Vector Variables [92.18777020401484]
Recursive Grouping (RG) と Chow-Liu Recursive Grouping (CLRG) のサンプル複雑性について述べる。
RG,CLRG,Neighbor Joining (NJ) およびSpectral NJ (SNJ) をトラッピングした内積を用いて強化する。
我々は、潜在木の構造学習において、最初の既知のインスタンス依存の不合理性の結果を導出する。
論文 参考訳(メタデータ) (2021-06-02T01:37:52Z) - Spectral Top-Down Recovery of Latent Tree Models [13.681975313065477]
スペクトルトップダウン・リカバリ (STDR) は、大きな潜在木モデルを推定するための分割・コンカレントアプローチである。
STDRの分割ステップは非ランダムです。
代わりに、観測されたノードに関連する適切なラプラシア行列のFiedlerベクトルに基づいている。
私達はSTDRが統計的に一貫性があることを証明し、高い確率で木を正確に回復するために必要なサンプルの数を縛ります。
論文 参考訳(メタデータ) (2021-02-26T02:47:42Z) - Robust estimation of tree structured models [0.0]
ノイズの多い二分データから、可能な木の小さな等価クラスまで、木を復元できることが示される。
また、Chow-Liuアルゴリズムがノイズデータから根本木を継続的に学習する際の特徴付けも提供する。
論文 参考訳(メタデータ) (2021-02-10T14:58:40Z) - SGA: A Robust Algorithm for Partial Recovery of Tree-Structured
Graphical Models with Noisy Samples [75.32013242448151]
ノードからの観測が独立しているが非識別的に分散ノイズによって破損した場合、Ising Treeモデルの学習を検討する。
Katiyarら。
(2020) は, 正確な木構造は復元できないが, 部分木構造を復元できることを示した。
統計的に堅牢な部分木回復アルゴリズムであるSymmetrized Geometric Averaging(SGA)を提案する。
論文 参考訳(メタデータ) (2021-01-22T01:57:35Z) - Growing Deep Forests Efficiently with Soft Routing and Learned
Connectivity [79.83903179393164]
この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。
我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。
MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
論文 参考訳(メタデータ) (2020-12-29T18:05:05Z) - Learning from Non-Binary Constituency Trees via Tensor Decomposition [12.069862650316262]
非バイナリ選挙区木に対処する新しいアプローチを導入する。
標準テンソル分解に基づく強力な合成関数が、そのようなリッチな構造をいかに活用できるかを示す。
異なるNLPタスクにおいて,その性能を実験的に評価する。
論文 参考訳(メタデータ) (2020-11-02T10:06:59Z) - Recursive Top-Down Production for Sentence Generation with Latent Trees [77.56794870399288]
自然および合成言語に対する文脈自由文法の生成特性をモデル化する。
潜伏二分木構造にN$の葉を持つ動的プログラミングアルゴリズムを提案する。
また,Multi30kデータセットを用いたドイツ語と英語の翻訳実験を行った。
論文 参考訳(メタデータ) (2020-10-09T17:47:16Z) - Forest R-CNN: Large-Vocabulary Long-Tailed Object Detection and Instance
Segmentation [75.93960390191262]
我々は、オブジェクトカテゴリ間の関係に関する事前知識を利用して、きめ細かいクラスを粗い親クラスにクラスタリングする。
そこで本研究では,NMS再サンプリング法を提案する。
提案手法はフォレストR-CNNと呼ばれ,ほとんどのオブジェクト認識モデルに適用可能なプラグイン・アンド・プレイモジュールとして機能する。
論文 参考訳(メタデータ) (2020-08-13T03:52:37Z) - Tensor Decompositions in Recursive Neural Networks for Tree-Structured
Data [12.069862650316262]
木構造データから構造知識を符号化する2つの新しい集約関数を導入する。
2つの木分類タスクでテストを行い、木外度が増加する場合に提案したモデルの利点を示す。
論文 参考訳(メタデータ) (2020-06-18T15:40:32Z)
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。