論文の概要: Submodular Kernels for Efficient Rankings
- arxiv url: http://arxiv.org/abs/2105.12356v1
- Date: Wed, 26 May 2021 06:42:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-28 00:01:37.618198
- Title: Submodular Kernels for Efficient Rankings
- Title（参考訳）: 効率的なランキングのためのサブモジュラーカーネル
- Authors: Michelangelo Conserva, Marc Peter Deisenroth, K S Sesh Kumar
- Abstract要約: ランク付けされたデータに対する最先端のアルゴリズムは、オブジェクトの数が増加するにつれて、計算的に難解になる。
ランク付けされたデータの幾何学的構造とオブジェクトに関する追加情報を用いて、ランク付けのためのサブモジュールカーネルを導出する。
サブモジュールカーネルは,最先端カーネルと比較して計算コストを大幅に削減することを示した。
- 参考スコア（独自算出の注目度）: 19.487212829330296
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Many algorithms for ranked data become computationally intractable as the
number of objects grows due to complex geometric structure induced by rankings.
An additional challenge is posed by partial rankings, i.e. rankings in which
the preference is only known for a subset of all objects. For these reasons,
state-of-the-art methods cannot scale to real-world applications, such as
recommender systems. We address this challenge by exploiting geometric
structure of ranked data and additional available information about the objects
to derive a submodular kernel for ranking. The submodular kernel combines the
efficiency of submodular optimization with the theoretical properties of
kernel-based methods. We demonstrate that the submodular kernel drastically
reduces the computational cost compared to state-of-the-art kernels and scales
well to large datasets while attaining good empirical performance.
- Abstract（参考訳）: ランク付けされたデータに対する多くのアルゴリズムは、ランク付けによって引き起こされる複雑な幾何学的構造によって、オブジェクトの数が増えるにつれて計算的に難解になる。
その他の課題として、部分的なランク付けがある。
選好が知られているランキングは、すべてのオブジェクトのサブセットのみである。
これらの理由から、最先端のメソッドは、レコメンデーションシステムのような現実世界のアプリケーションにはスケールできない。
ランク付けのためのサブモジュールカーネルを導出するために、ランク付けされたデータの幾何学的構造とオブジェクトに関する追加情報を活用することで、この問題に対処する。
サブモジュラーカーネルは、サブモジュラー最適化の効率とカーネルベースの方法の理論的な性質を組み合わせる。
本研究では, サブモジュールカーネルは, 最先端カーネルと比較して計算コストを大幅に削減し, 実験性能を良好に保ちながら, 大規模データセットに十分対応できることを実証する。
関連論文リスト
- On the Approximation of Kernel functions [0.0]
論文はカーネル自体の近似に対処する。
単位立方体上のヒルベルト・ガウス核に対して、この論文は関連する固有関数の上界を確立する。
この改良により、Nystr"om法のような低階近似法が確かめられる。
論文 参考訳（メタデータ） (2024-03-11T13:50:07Z) - Higher-order topological kernels via quantum computation [68.8204255655161]
トポロジカルデータ分析(TDA)は、複雑なデータから意味のある洞察を抽出する強力なツールとして登場した。
本稿では,ベッチ曲線の次数増加に基づくBettiカーネルの量子的定義法を提案する。
論文 参考訳（メタデータ） (2023-07-14T14:48:52Z) - Reconstructing Kernel-based Machine Learning Force Fields with
Super-linear Convergence [0.18416014644193063]
我々は、プレコンディショナーを構築するためのNystr"om-typeメソッドの幅広いクラスについて考察する。
検討されたすべての方法は、支配的なカーネルスペクトルを近似するために、インジェクション(カーネル)列の代表的なサブセットを特定することを目的としている。
論文 参考訳（メタデータ） (2022-12-24T13:45:50Z) - A Recursively Recurrent Neural Network (R2N2) Architecture for Learning
Iterative Algorithms [64.3064050603721]
本研究では,リカレントニューラルネットワーク (R2N2) にランゲ・クッタニューラルネットワークを一般化し,リカレントニューラルネットワークを最適化した反復アルゴリズムの設計を行う。
本稿では, 線形方程式系に対するクリロフ解法, 非線形方程式系に対するニュートン・クリロフ解法, 常微分方程式に対するルンゲ・クッタ解法と類似の繰り返しを計算問題クラスの入力・出力データに対して提案した超構造内における重みパラメータの正規化について述べる。
論文 参考訳（メタデータ） (2022-11-22T16:30:33Z) - Joint Embedding Self-Supervised Learning in the Kernel Regime [21.80241600638596]
自己教師付き学習(SSL)は、データを分類するためのラベルにアクセスすることなく、データの有用な表現を生成する。
我々はこのフレームワークを拡張し,カーネルの機能空間に作用する線形写像によって埋め込みを構築するカーネル手法に基づくアルゴリズムを組み込む。
カーネルモデルを小さなデータセットで分析し、自己教師付き学習アルゴリズムの共通特徴を特定し、下流タスクにおける性能に関する理論的洞察を得る。
論文 参考訳（メタデータ） (2022-09-29T15:53:19Z) - Learning "best" kernels from data in Gaussian process regression. With
application to aerodynamics [0.4588028371034406]
本稿では,ガウス過程の回帰/クリギングサロゲートモデリング手法におけるカーネルの選択/設計アルゴリズムを紹介する。
アルゴリズムの最初のクラスはカーネルフローであり、機械学習の分類の文脈で導入された。
アルゴリズムの第2のクラスはスペクトル核リッジ回帰と呼ばれ、近似される関数のノルムが最小となるような「最良の」カーネルを選択することを目的としている。
論文 参考訳（メタデータ） (2022-06-03T07:50:54Z) - Adaptive Local Kernels Formulation of Mutual Information with
Application to Active Post-Seismic Building Damage Inference [1.066048003460524]
地震後の建築物の地域被害評価は高価な作業である。
相互情報の情報理論尺度は,サンプルの有効性を評価する上で最も有効な基準の一つである。
計算コストを削減するためにローカルカーネル戦略が提案されたが、観測されたラベルへのカーネルの適応性は考慮されなかった。
本稿では,観測された出力データに対するカーネルの適合性を実現するための適応型ローカルカーネル手法を開発した。
論文 参考訳（メタデータ） (2021-05-24T18:34:46Z) - Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。
提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
論文 参考訳（メタデータ） (2021-05-23T19:21:55Z) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳（メタデータ） (2021-04-11T16:37:32Z) - Random Features for the Neural Tangent Kernel [57.132634274795066]
完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。
得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
論文 参考訳（メタデータ） (2021-04-03T09:08:12Z) - AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。
前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。
本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
論文 参考訳（メタデータ） (2020-08-17T13:22:01Z)
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。