論文の概要: Quantum-Assisted Feature Selection for Vehicle Price Prediction Modeling
- arxiv url: http://arxiv.org/abs/2104.04049v1
- Date: Thu, 8 Apr 2021 20:48:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-12 22:55:32.980789
- Title: Quantum-Assisted Feature Selection for Vehicle Price Prediction Modeling
- Title（参考訳）: 車両価格予測モデルのための量子支援特徴選択
- Authors: David Von Dollen, Florian Neukart, Daniel Weimer, Thomas B\"ack
- Abstract要約: 本研究では,一般平均情報係数やピアソン相関係数などの二元モデルとして検索を符号化する指標について検討する。
我々は,新しい指標を用いて合成データの最適部分集合を求めるための0.9の精度スコアを得る。
その結果、量子支援ルーチンを活用することで、予測モデル出力の品質を高めるソリューションが見つかることが分かりました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Within machine learning model evaluation regimes, feature selection is a
technique to reduce model complexity and improve model performance in regards
to generalization, model fit, and accuracy of prediction. However, the search
over the space of features to find the subset of $k$ optimal features is a
known NP-Hard problem. In this work, we study metrics for encoding the
combinatorial search as a binary quadratic model, such as Generalized Mean
Information Coefficient and Pearson Correlation Coefficient in application to
the underlying regression problem of price prediction. We investigate
trade-offs in the form of run-times and model performance, of leveraging
quantum-assisted vs. classical subroutines for the combinatorial search, using
minimum redundancy maximal relevancy as the heuristic for our approach. We
achieve accuracy scores of 0.9 (in the range of [0,1]) for finding optimal
subsets on synthetic data using a new metric that we define. We test and
cross-validate predictive models on a real-world problem of price prediction,
and show a performance improvement of mean absolute error scores for our
quantum-assisted method $(1471.02 \pm{135.6})$, vs. similar methodologies such
as recursive feature elimination $(1678.3 \pm{143.7})$. Our findings show that
by leveraging quantum-assisted routines we find solutions that increase the
quality of predictive model output while reducing the input dimensionality to
the learning algorithm on synthetic and real-world data.
- Abstract（参考訳）: 機械学習モデル評価体制の中では、特徴選択はモデルの複雑さを減らし、一般化、モデル適合、予測の精度に関するモデル性能を改善する技術である。
しかし、$k$ の最適特徴のサブセットを見つけるための機能空間の探索は、既知のnp-hard問題である。
本研究では,価格予測の基盤となる回帰問題に対する一般化平均情報係数やピアソン相関係数など,組合せ探索を二元二次モデルとして符号化する指標について検討する。
提案手法のヒューリスティックとして最小冗長性最大関係性を用いて,組合せ探索に量子支援対古典サブルーチンを活用することで,実行時間とモデル性能という形でのトレードオフを検討する。
我々は,新しい指標を用いて合成データ上で最適な部分集合を求めるために,0.9点([0,1]の範囲)の精度スコアを得る。
価格予測の現実的な問題に対して,予測モデルを検証し,平均絶対誤差スコアを量子アシスト法$(1471.02 \pm{135.6})$,再帰的特徴除去法$(1678.3 \pm{143.7})$に対して比較検討した。
本研究は, 量子支援ルーチンを活用することで, 合成および実世界のデータに対する学習アルゴリズムへの入力次元性を低減し, 予測モデル出力の質を高める解を見出した。
関連論文リスト
- Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。
このような問題は医学、物理学、機械学習で発生する。
両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文 参考訳（メタデータ） (2024-11-21T10:26:17Z) - Comparative study of regression vs pairwise models for surrogate-based heuristic optimisation [1.2535250082638645]
本稿では, シュロゲート問題の定式化を, 適合度を近似する回帰モデル(表面シュロゲートモデル)と, 分類モデル(ペアワイズ・シュロゲートモデル)を結合する新しい方法の両方として扱う。
オンライン機械学習に基づくサロゲートモデルを用いる場合の全体探索の性能は、予測モデルの精度だけでなく、正または負のケースに対するバイアスの種類にも依存する。
論文 参考訳（メタデータ） (2024-10-04T13:19:06Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。
既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。
提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
論文 参考訳（メタデータ） (2023-07-08T15:41:48Z) - Adaptive Sparse Gaussian Process [0.0]
これらの問題に対処できる最初の適応スパースガウスプロセス(GP)を提案する。
まず,変分スパースGPアルゴリズムを変形係数によって適応的に再構成する。
そこで我々は,新しいサンプルが到着するたびに,スパースGPモデルの単一誘導点と残りのモデルパラメータを同時に更新することを提案する。
論文 参考訳（メタデータ） (2023-02-20T21:34:36Z) - RF+clust for Leave-One-Problem-Out Performance Prediction [0.9281671380673306]
本稿では,LOPO(Left-one-problem-out)のパフォーマンス予測について検討する。
我々は、標準ランダムフォレスト(RF)モデル予測が性能値の重み付き平均値で校正することで改善できるかどうかを解析する。
論文 参考訳（メタデータ） (2023-01-23T16:14:59Z) - Bilevel Optimization for Feature Selection in the Data-Driven Newsvendor
Problem [8.281391209717105]
本稿では、意思決定者が過去のデータにアクセス可能な機能ベースのニュースベンダー問題について検討する。
そこで本研究では,スパースモデル,説明可能なモデル,およびアウト・オブ・サンプル性能の改善を目的とした特徴選択について検討する。
本稿では,2レベルプログラムに対する混合整数線形プログラムの修正について述べる。
論文 参考訳（メタデータ） (2022-09-12T08:52:26Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - A bandit-learning approach to multifidelity approximation [7.960229223744695]
マルチファイデリティ近似は、科学計算とシミュレーションにおいて重要な技術である。
異なる忠実度のデータを利用して正確な推定を行うためのバンディットラーニング手法を紹介します。
論文 参考訳（メタデータ） (2021-03-29T05:29:35Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-22T21:12:31Z)
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。