論文の概要: Optimizing Rescoring Rules with Interpretable Representations of
Long-Term Information
- arxiv url: http://arxiv.org/abs/2104.14291v1
- Date: Wed, 28 Apr 2021 15:30:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-30 12:42:37.732870
- Title: Optimizing Rescoring Rules with Interpretable Representations of
Long-Term Information
- Title（参考訳）: 長期情報の解釈可能な表現による表現規則の最適化
- Authors: Aaron Fisher
- Abstract要約: 本稿では,Websterのレスコリングルールをエポックな特徴の観点から言い換えることを提案する。
最適化されたレコリングルールにより、スリープウェイク分類器のパフォーマンスが向上します。
- 参考スコア（独自算出の注目度）: 1.4213973379473654
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Analyzing temporal data (e.g., wearable device data) requires a decision
about how to combine information from the recent and distant past. In the
context of classifying sleep status from actigraphy, Webster's rescoring rules
offer one popular solution based on the long-term patterns in the output of a
moving-window model. Unfortunately, the question of how to optimize rescoring
rules for any given setting has remained unsolved. To address this problem and
expand the possible use cases of rescoring rules, we propose rephrasing these
rules in terms of epoch-specific features. Our features take two general forms:
(1) the time lag between now and the most recent [or closest upcoming] bout of
time spent in a given state, and (2) the length of the most recent [or closest
upcoming] bout of time spent in a given state. Given any initial moving window
model, these features can be defined recursively, allowing for straightforward
optimization of rescoring rules. Joint optimization of the moving window model
and the subsequent rescoring rules can also be implemented using gradient-based
optimization software, such as Tensorflow. Beyond binary classification
problems (e.g., sleep-wake), the same approach can be applied to summarize
long-term patterns for multi-state classification problems (e.g., sitting,
walking, or stair climbing). We find that optimized rescoring rules improve the
performance of sleep-wake classifiers, achieving accuracy comparable to that of
certain neural network architectures.
- Abstract（参考訳）: 時間的データ(例えばウェアラブルデバイスデータ)を分析するには、最近のものと遠い過去の情報を組み合わせる方法を決定する必要がある。
睡眠状態をアクチグラムから分類する文脈において、websterのリカリングルールは、移動ウィンドウモデルの出力の長期的なパターンに基づく1つの一般的なソリューションを提供する。
残念なことに、任意の設定に対するリスコリングルールの最適化方法に関する問題は未解決のままである。
この問題に対処し,再利用ルールの可能なユースケースを拡大するため,我々は,エポック特有の特徴の観点でこれらのルールを再現することを提案する。
われわれの特徴は2つの一般的な形態を採っている: (1) 与えられた状態に費やされた現在と最も近い(または最も近い)までの時間ラグ、(2) ある状態に費やされた最新の(または最も近い)時間の長さ。
初期移動ウィンドウモデルが与えられた場合、これらの機能は再帰的に定義でき、再列ルールの最適化が容易になる。
移動ウィンドウモデルとその後の再描画規則の協調最適化は、テンソルフローのような勾配に基づく最適化ソフトウェアを用いて実装することもできる。
二分分類問題(例えばスリープウォーク)以外にも、複数状態分類問題(例えば、座位、歩行、階段登山)の長期的なパターンを要約するためにも同様のアプローチが適用できる。
最適化されたRescoringルールは、スリープウェイク分類器の性能を改善し、特定のニューラルネットワークアーキテクチャと同等の精度を達成する。
関連論文リスト
- Optimizing Tensor Computation Graphs with Equality Saturation and Monte Carlo Tree Search [0.0]
モンテカルロ木探索を用いて優れた表現を構築するテンソルグラフ書き換え手法を提案する。
提案手法は,既存の手法と比較して,ニューラルネットワークの推論速度を最大11%向上させる。
論文 参考訳（メタデータ） (2024-10-07T22:22:02Z) - An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Inverse classification with logistic and softmax classifiers: efficient
optimization [6.581214715240991]
逆分類問題は、固定分類器を含む入力インスタンスベクトルに対する根本的な最適化問題である。
この最適化はロジスティック回帰のための閉形式で解くことができ、ソフトマックス分類器に対しては反復的ではあるが極めて高速であることを示す。
これにより、非常に高次元のインスタンスや多くのクラスであってもミリ秒から1秒程度のランタイムで、どちらのケースも正確に(ほぼ機械の精度で)解決できます。
論文 参考訳（メタデータ） (2023-09-16T10:34:40Z) - Long Short-Term Preference Modeling for Continuous-Time Sequential
Recommendation [9.965917701831746]
現実のシナリオでは、ユーザの短期的嗜好は時間とともに動的に進化する。
連続時間系列勧告のための長期的短期予測モデルを提案する。
私たちのメモリメカニズムは、ワンホップ情報を格納するだけでなく、新しいインタラクションをオンラインで引き起こすことができます。
論文 参考訳（メタデータ） (2022-08-01T03:44:55Z) - Fast and Robust Non-Rigid Registration Using Accelerated
Majorization-Minimization [35.66014845211251]
非剛性登録は、ターゲット形状と整合する非剛性な方法でソース形状を変形させるが、コンピュータビジョンにおける古典的な問題である。
既存のメソッドは通常$ell_p$型ロバストノルムを使用してアライメントエラーを測定し、変形の滑らかさを規則化する。
本稿では、アライメントと正規化のためのグローバルなスムーズなロバストノルムに基づく、ロバストな非剛体登録のための定式化を提案する。
論文 参考訳（メタデータ） (2022-06-07T16:00:33Z) - Modeling Dynamic User Preference via Dictionary Learning for Sequential
Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。
浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。
本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文 参考訳（メタデータ） (2022-04-02T03:23:46Z) - Joint inference and input optimization in equilibrium networks [68.63726855991052]
ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。
この2つの設定の間には自然なシナジーがあることが示されています。
この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
論文 参考訳（メタデータ） (2021-11-25T19:59:33Z) - Better Short than Greedy: Interpretable Models through Optimal Rule
Boosting [10.938624307941197]
ルールアンサンブルは、予測精度とモデル解釈可能性の間の有用なトレードオフを提供するように設計されている。
与えられたアンサンブルサイズに対して最大予測力の規則アンサンブルを適合させる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-01-21T01:03:48Z) - Short-Term Memory Optimization in Recurrent Neural Networks by
Autoencoder-based Initialization [79.42778415729475]
線形オートエンコーダを用いた列列の明示的暗記に基づく代替解を提案する。
このような事前学習が、長いシーケンスで難しい分類タスクを解くのにどのように役立つかを示す。
提案手法は, 長周期の復元誤差をはるかに小さくし, 微調整時の勾配伝播を良くすることを示す。
論文 参考訳（メタデータ） (2020-11-05T14:57:16Z) - From Static to Dynamic Node Embeddings [61.58641072424504]
本稿では,時間的予測に基づくアプリケーションにグラフストリームデータを活用するための汎用フレームワークを提案する。
提案フレームワークは,適切なグラフ時系列表現を学習するための新しい手法を含む。
トップ3の時間モデルは常に新しい$epsilon$-graphの時系列表現を利用するモデルであることが分かりました。
論文 参考訳（メタデータ） (2020-09-21T16:48:29Z) - Pseudo-Convolutional Policy Gradient for Sequence-to-Sequence
Lip-Reading [96.48553941812366]
唇読解は唇運動系列から音声内容を推測することを目的としている。
seq2seqモデルの伝統的な学習プロセスには2つの問題がある。
本稿では,これら2つの問題に対処するために,PCPGに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2020-03-09T09:12:26Z)
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。