論文の概要: Automated problem setting selection in multi-target prediction with AutoMTP

• arxiv url: http://arxiv.org/abs/2104.09967v1
• Date: Mon, 19 Apr 2021 12:44:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-21 13:34:31.147853
• Title: Automated problem setting selection in multi-target prediction with AutoMTP
• Title（参考訳）: automtpを用いたマルチターゲット予測における自動問題設定
• Authors: Dimitrios Iliadis, Bernard De Baets, Willem Waegeman
• Abstract要約: AutoMTPはマルチターゲット予測のためのアルゴリズム選択を実行する自動フレームワークです。 アルゴリズム選択ステップと柔軟なニューラルネットワークアーキテクチャにルールベースのシステムを採用することで実現されます。
• 参考スコア（独自算出の注目度）: 14.451046691298298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Algorithm Selection (AS) is concerned with the selection of the best-suited algorithm out of a set of candidates for a given problem. The area of AS has received a lot of attention from machine learning researchers and practitioners, as positive results along this line of research can make expertise in ML more readily accessible to experts in other domains as well as to the general public. Another quickly expanding area is that of Multi-Target Prediction (MTP). The ability to simultaneously predict multiple target variables of diverse types makes MTP of interest for a plethora of applications. MTP embraces several subfields of machine learning, such as multi-label classification, multi-target regression, multi-task learning, dyadic prediction, zero-shot learning, network inference, and matrix completion. This work combines the two above-mentioned areas by proposing AutoMTP, an automated framework that performs algorithm selection for MTP. AutoMTP is realized by adopting a rule-based system for the algorithm selection step and a flexible neural network architecture that can be used for the several subfields of MTP.
• Abstract（参考訳）: アルゴリズム選択(AS)は、与えられた問題の候補の集合から最も適したアルゴリズムの選択に関するものである。 ASの領域は、機械学習の研究者や実践者から多くの注目を集めている。この一連の研究によって、機械学習の専門知識が、他のドメインの専門家や一般大衆にも容易にアクセスできるようになるからだ。 もう一つの急速に広がる領域はMulti-Target Prediction (MTP)である。 多様なタイプの複数のターゲット変数を同時に予測する能力は、MSPの関心を多くのアプリケーションに向ける。 MTPは、マルチラベル分類、マルチターゲット回帰、マルチタスク学習、ダイアディック予測、ゼロショット学習、ネットワーク推論、行列補完など、機械学習のいくつかのサブフィールドを取り入れている。 本研究は,MTPのアルゴリズム選択を行う自動フレームワークであるAutoMTPを提案することによって,上記の2つの領域を組み合わせる。 アルゴリズム選択ステップのためのルールベースシステムと、mtpのいくつかのサブフィールドに使用できるフレキシブルニューラルネットワークアーキテクチャを採用することで、automtpを実現する。

関連論文リスト

• Multi-Teacher Multi-Objective Meta-Learning for Zero-Shot Hyperspectral Band Selection [50.30291173608449]
  ゼロショットハイパースペクトル帯選択のための新しい多目的メタラーニングネットワーク(M$3$BS)を提案する。 M$3$BSでは、データセットに依存しないベースを生成するために、一般化可能なグラフ畳み込みネットワーク(GCN)を構築している。 取得したメタ知識は、トレーニングや微調整なしに、直接見えないデータセットに転送することができる。
  論文  参考訳（メタデータ） (2024-06-12T07:13:31Z)
• Scalable Mechanism Design for Multi-Agent Path Finding [87.40027406028425]
  MAPF (Multi-Agent Path Finding) は、複数のエージェントが同時に移動し、与えられた目標地点に向かって共有領域を通って衝突しない経路を決定する。 最適解を見つけることは、しばしば計算不可能であり、近似的な準最適アルゴリズムを用いることが不可欠である。 本稿では、MAPFのスケーラブルな機構設計の問題を紹介し、MAPFアルゴリズムを近似した3つの戦略防御機構を提案する。
  論文  参考訳（メタデータ） (2024-01-30T14:26:04Z)
• Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration [71.95914457415624]
  マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。 この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。 評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2022-11-29T17:10:24Z)
• Explainable Model-specific Algorithm Selection for Multi-Label Classification [6.442438468509492]
  MLC(Multi-label classification)は、データインスタンスが同時に複数のクラスに属すことができる予測モデリングのMLタスクである。 いくつかのMLCアルゴリズムが文献で提案されており、メタ最適化の問題を引き起こしている。 本研究では,データセットの特性を利用した自動アプローチの品質について検討する。
  論文  参考訳（メタデータ） (2022-11-21T07:42:11Z)
• Hyperparameter optimization in deep multi-target prediction [16.778802088570412]
  私たちは、マルチターゲット予測の傘の下に置かれるほとんどの問題設定に対して、単一のAutoMLフレームワークを提供しています。 私たちの作業は、マルチターゲット予測の傘の下に収まるほとんどの問題設定に対して、単一のAutoMLフレームワークを提供する最初の試みであると見なすことができます。
  論文  参考訳（メタデータ） (2022-11-08T16:33:36Z)
• Graph-Based Multi-Robot Path Finding and Planning [3.4260993997836753]
  複数のロボットの衝突のない経路を計画することは、現実のマルチロボットシステムにとって重要である。 近年の進歩により、何百ものロボットの衝突のない経路を計算できるMAPFアルゴリズムが実現されている。
  論文  参考訳（メタデータ） (2022-06-22T18:47:00Z)
• Automatic Expert Selection for Multi-Scenario and Multi-Task Search [41.47107282896807]
  本稿では,AESM2 という名前のマルチシナリオ検索とマルチタスク検索のための新しい自動エキスパート選択フレームワークを提案する。 2つの実世界の大規模なデータセットに対する実験は、強いベースラインのバッテリー上でのAESM2の有効性を実証している。 オンラインA/Bテストでは、複数のメトリクスで大幅にパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2022-05-28T03:41:25Z)
• Controllable Pareto Multi-Task Learning [55.945680594691076]
  マルチタスク学習システムは,複数のタスクを同時に解決することを目的としている。 固定されたモデルキャパシティでは、タスクは互いに衝突し、システムは通常、それらすべてを学ぶためにトレードオフをしなければならない。 本研究では,異なるタスク間のリアルタイムなトレードオフ制御を実現するための,新しい制御可能なマルチタスク学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-13T11:53:55Z)
• Multi-path Neural Networks for On-device Multi-domain Visual Classification [55.281139434736254]
  本稿では,モバイルデバイス上でのマルチドメイン視覚分類のためのマルチパスネットワークの自動学習手法を提案する。 提案するマルチパスネットワークは,各ドメインに1つの強化学習コントローラを適用して,MobileNetV3のような検索空間から生成されたスーパーネットワークの最適経路を選択することにより,ニューラルネットワーク検索から学習する。 決定されたマルチパスモデルは、個々のドメインパス内の非共有ノード内にドメイン固有のパラメータを保持しながら、共有ノード内のドメイン間でパラメータを選択的に共有する。
  論文  参考訳（メタデータ） (2020-10-10T05:13:49Z)
• Deep Multi-task Multi-label CNN for Effective Facial Attribute Classification [53.58763562421771]
  DMM-CNN(ディープ・マルチタスク・マルチラベル・CNN)による効果的な顔属性分類(FAC)を提案する。 具体的には、DMM-CNNは、2つの密接に関連するタスク(顔のランドマーク検出とFAC)を共同で最適化し、マルチタスク学習を活用することにより、FACの性能を向上させる。 2つの異なるネットワークアーキテクチャは2つの属性のグループの特徴を抽出するために設計され、トレーニング中に各顔属性に損失重みを自動的に割り当てる新しい動的重み付け方式が提案されている。
  論文  参考訳（メタデータ） (2020-02-10T12:34:16Z)
• Learning NP-Hard Multi-Agent Assignment Planning using GNN: Inference on a Random Graph and Provable Auction-Fitted Q-learning [24.956507498394497]
  本稿では,学習に基づくアルゴリズムを用いて,時間依存報酬を用いたマルチエージェント・マルチタスクNPハードプランニング問題をほぼ最適に解決する可能性について検討する。
  論文  参考訳（メタデータ） (2019-05-29T04:02:41Z)

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。