Fugu-MT 論文翻訳(概要): Use of High Dimensional Modeling for automatic variables selection: the best path algorithm

論文の概要: Use of High Dimensional Modeling for automatic variables selection: the best path algorithm

arxiv url: http://arxiv.org/abs/2105.03173v1
Date: Fri, 7 May 2021 11:33:06 GMT
ステータス: 処理完了
システム内更新日: 2021-05-10 12:25:48.626444
Title: Use of High Dimensional Modeling for automatic variables selection: the best path algorithm
Title（参考訳）: 自動変数選択のための高次元モデリングの利用:最良の経路アルゴリズム
Authors: Luigi Riso
Abstract要約: 本稿では,自動変数選択のための新しいアルゴリズムを提案する。 Graphical Modelsプロパティを使用することで、大規模なデータセットの競合で使用できるメソッドを開発することが可能になる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents a new algorithm for automatic variables selection. In particular, using the Graphical Models properties it is possible to develop a method that can be used in the contest of large dataset. The advantage of this algorithm is that can be combined with different forecasting models. In this research we have used the OLS method and we have compared the result with the LASSO method.
Abstract（参考訳）: 本稿では,自動変数選択のための新しいアルゴリズムを提案する。特に、グラフィカルモデルプロパティを使用すると、大規模なデータセットのコンペで使用できるメソッドを開発することができる。このアルゴリズムの利点は、異なる予測モデルと組み合わせることができることである。本研究では, OLS法を用いて, LASSO法との比較を行った。

関連論文リスト

Improving Algorithm-Selection and Performance-Prediction via Learning Discriminating Training Samples [0.20718016474717196]
本稿では,解決者のポートフォリオに関して,識別的軌跡を生成するメタアプローチを提案する。アルゴリズム選択と性能予測のために調整SAアルゴリズムから得られたトラジェクトリがMLモデルに使用される場合,性能指標が大幅に向上することを示す。
論文参考訳（メタデータ） (2024-04-08T09:52:19Z)
Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文参考訳（メタデータ） (2024-03-11T06:34:05Z)
Best-Subset Selection in Generalized Linear Models: A Fast and Consistent Algorithm via Splicing Technique [0.6338047104436422]
ベストサブセットセクションは、このタイプの問題の聖杯として広く見なされている。軽度条件下での最適部分集合回復のためのアルゴリズムを提案し,提案した。我々の実装は、一般的な変数選択ツールキットと比較して約4倍のスピードアップを実現している。
論文参考訳（メタデータ） (2023-08-01T03:11:31Z)
ModelDiff: A Framework for Comparing Learning Algorithms [86.19580801269036]
そこでは,2つの異なる学習アルゴリズムを用いて学習したモデルの違いを見つけることを目的とする。トレーニングデータの使用方法に基づいて学習アルゴリズムを比較するために,データモデルフレームワークを利用するModelDiffを提案する。
論文参考訳（メタデータ） (2022-11-22T18:56:52Z)
The Best Path Algorithm automatic variables selection via High Dimensional Graphical Models [0.0]
本稿では,高次元グラフィカルモデルにおける変数自動選択手法を提案する。アルゴリズムは、相互情報に基づいて、関心のノードに関する関連する変数を選択する。アルゴリズムの幅広い実単語および公的なデータセットへの適用は、その可能性と有効性を強調している。
論文参考訳（メタデータ） (2022-11-14T10:50:57Z)
Beta-CoRM: A Bayesian Approach for $n$-gram Profiles Analysis [0.0]
提案したモデリングの柔軟性により、生成モデルにおける特徴選択への簡単なアプローチを考えることができる。スライスサンプリングアルゴリズムは高速な推論手順のために導出され、合成および実データシナリオに適用される。
論文参考訳（メタデータ） (2020-11-23T17:12:34Z)
An Extensive Experimental Evaluation of Automated Machine Learning Methods for Recommending Classification Algorithms (Extended Version) [4.400989370979334]
これら3つの手法は進化的アルゴリズム(EA)に基づいており、もう1つはAuto-WEKAである。我々は,これらの4つのAutoMLメソッドに,この制限の異なる値に対して,同じランタイム制限を付与する制御実験を行った。一般に,3つの最良のAutoML手法の予測精度の差は統計的に有意ではなかった。
論文参考訳（メタデータ） (2020-09-16T02:36:43Z)
Run2Survive: A Decision-theoretic Approach to Algorithm Selection based on Survival Analysis [75.64261155172856]
生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
論文参考訳（メタデータ） (2020-07-06T15:20:17Z)
Discovering Representations for Black-box Optimization [73.59962178534361]
ブラックボックス最適化符号化は手作業で行うのではなく,自動的に学習可能であることを示す。学習された表現は、標準的なMAP-Elitesよりも桁違いに少ない評価で高次元の問題を解くことができることを示す。
論文参考訳（メタデータ） (2020-03-09T20:06:20Z)
Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
論文参考訳（メタデータ） (2020-02-20T10:50:58Z)
Stepwise Model Selection for Sequence Prediction via Deep Kernel Learning [100.83444258562263]
本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
論文参考訳（メタデータ） (2020-01-12T09:42:19Z)

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。