Fugu-MT 論文翻訳(概要): Optimal Group Formulation Using Machine Learning

論文の概要: Optimal Group Formulation Using Machine Learning

arxiv url: http://arxiv.org/abs/2105.07858v1
Date: Fri, 7 May 2021 16:41:46 GMT
ステータス: 処理完了
システム内更新日: 2023-04-01 05:18:36.474741
Title: Optimal Group Formulation Using Machine Learning
Title（参考訳）: 機械学習を用いた最適群定式化
Authors: Mahbub Hasan and Al-Emran
Abstract要約: この研究は、あらゆる機関のクラスにおいて最適なグループを作成することに焦点を当てている。本研究では, 前回の学術記録に基づくグループ形成にSimulated Annealing (SA) を用いた。
参考スコア（独自算出の注目度）: 0.18275108630751835
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Group formation itself a perplexing process. Over the decade of time education and others disciple has improved imminently but optimal group formation in educational system is still struggling. Our research focus on to create optimal group in a class of any institute. In this research we use Simulated Annealing (SA) for best group formation based on the previous academic record. We generally create an arbitrary cluster first then optimise using SA. Our model has significant success rate over a large number of datasets. This research will play a pioneer role in group formations in the academic and related researches.
Abstract（参考訳）: グループ形成自体が複雑なプロセスです。過去10年間にわたり、教育や他の弟子はすぐに改善してきたが、教育システムにおける最適なグループ形成はいまだに苦闘している。我々の研究は、あらゆる機関のクラスに最適なグループを作ることに重点を置いている。本研究では, 前回の学術記録に基づくグループ形成にSimulated Annealing (SA) を用いた。一般に任意のクラスタを作成し、次にSAを使って最適化します。私たちのモデルは、多数のデータセットに対して大きな成功率を持っています。この研究は、学術および関連研究におけるグループ形成の先駆的な役割を担う。

関連論文リスト

To Pool or Not To Pool: Analyzing the Regularizing Effects of Group-Fair Training on Shared Models [14.143499246740278]
我々は、福祉中心の公正機械学習の一般化誤差にグループ固有の境界を導出する。我々は、制限された仮説クラスよりもグループ固有のラデマッハ平均を考えることで、これを行う。シミュレーションにより、これらの境界は、より小さなグループサイズに対して特に顕著に改善され、理論上予想されるように、ナイーブな方法よりも改善されていることを示す。
論文参考訳（メタデータ） (2024-02-29T02:16:57Z)
Towards More Practical Group Activity Detection: A New Benchmark and Model [61.39427407758131]
グループアクティビティ検出(グループアクティビティ検出、英: Group Activity Detection、GAD)は、ビデオにおいて、各グループのメンバを特定し、同時にグループのアクティビティを分類するタスクである。私たちはCaf'eと呼ばれる新しいデータセットを提示し、より実用的なシナリオとメトリクスを提示します。また、未知数のグループと潜在グループメンバーを効率的に効率的に扱う新しいGADモデルを提案する。
論文参考訳（メタデータ） (2023-12-05T16:48:17Z)
Improving Generalization of Alignment with Human Preferences through Group Invariant Learning [56.19242260613749]
Reinforcement Learning from Human Feedback (RLHF) は、人間の好みに合わせた反応の生成を可能にする。以前の研究は、強化学習(RL)がしばしばショートカットを利用して高い報酬を獲得し、挑戦的なサンプルを見落としていることを示している。本稿では,複数のデータグループやドメインにまたがる一貫したポリシをRLで学習する,新しいアプローチを提案する。
論文参考訳（メタデータ） (2023-10-18T13:54:15Z)
Ranking & Reweighting Improves Group Distributional Robustness [14.021069321266516]
本研究では,DRU(Discounted Rank Upweighting)と呼ばれるランキングベースのトレーニング手法を提案し,テストデータ上で強力なOOD性能を示すモデルを学習する。いくつかの合成および実世界のデータセットの結果は、群分布シフトに頑健なモデルの選択と学習において、グループレベルの(ソフトミニマックスと異なり)アプローチの優れた能力を浮き彫りにしている。
論文参考訳（メタデータ） (2023-05-09T20:37:16Z)
A Reinforcement Learning-assisted Genetic Programming Algorithm for Team Formation Problem Considering Person-Job Matching [70.28786574064694]
解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
論文参考訳（メタデータ） (2023-04-08T14:32:12Z)
Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
論文参考訳（メタデータ） (2021-10-06T09:47:41Z)
Adaptive Optimizers with Sparse Group Lasso for Neural Networks in CTR Prediction [19.71671771503269]
深層学習における適応の族にスパース群ラッソの正規化子を追加する新しいフレームワークを開発する。理論的に凸な設定では,収束保証が確立される。提案手法は, 極めて優れた性能, 高い競争性能を達成できる。
論文参考訳（メタデータ） (2021-07-30T05:33:43Z)
Learning Multi-Attention Context Graph for Group-Based Re-Identification [214.84551361855443]
オーバーラップしていないカメラシステムを介して人々のグループを再識別または取得することを学ぶことは、ビデオ監視において重要なアプリケーションです。本研究では,グループre-idというグループを識別するためのコンテキスト情報の利用を検討する。本研究では,グループベースリドタスクを同時に処理するグラフニューラルネットワークに基づく新しい統合フレームワークを提案する。
論文参考訳（メタデータ） (2021-04-29T09:57:47Z)
Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
論文参考訳（メタデータ） (2020-10-02T07:11:19Z)

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。