論文の概要: pRSL: Interpretable Multi-label Stacking by Learning Probabilistic Rules
- arxiv url: http://arxiv.org/abs/2105.13850v1
- Date: Fri, 28 May 2021 14:06:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-31 16:32:44.772800
- Title: pRSL: Interpretable Multi-label Stacking by Learning Probabilistic Rules
- Title(参考訳): prsl:確率的ルールの学習による解釈可能なマルチラベル積み重ね
- Authors: Kirchhof Michael and Schmid Lena and Reining Christopher and ten
Hompel Michael and Pauly Markus
- Abstract要約: 本稿では,確率論的命題論理則と信念伝播を用いた確率論的ルールスタックリング(pRSL)を提案し,その基礎となる分類器の予測と組み合わせる。
精度と近似推論と学習のためのアルゴリズムを導出し、様々なベンチマークデータセット上でpRSLが最先端の性能に達することを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A key task in multi-label classification is modeling the structure between
the involved classes. Modeling this structure by probabilistic and
interpretable means enables application in a broad variety of tasks such as
zero-shot learning or learning from incomplete data. In this paper, we present
the probabilistic rule stacking learner (pRSL) which uses probabilistic
propositional logic rules and belief propagation to combine the predictions of
several underlying classifiers. We derive algorithms for exact and approximate
inference and learning, and show that pRSL reaches state-of-the-art performance
on various benchmark datasets.
In the process, we introduce a novel multicategorical generalization of the
noisy-or gate. Additionally, we report simulation results on the quality of
loopy belief propagation algorithms for approximate inference in bipartite
noisy-or networks.
- Abstract(参考訳): マルチラベル分類における重要なタスクは、関連するクラス間の構造をモデル化することである。
この構造を確率論的かつ解釈可能な方法でモデル化することで、ゼロショット学習や不完全データからの学習といった幅広いタスクに応用することができる。
本稿では,確率論的命題論理則と信念伝播を用いた確率論的ルール積み重ね学習器(pRSL)を提案する。
推定と学習の正確かつ近似的なアルゴリズムを導出し、prslが様々なベンチマークデータセットで最先端の性能に達することを示す。
そこで本研究では,ノイズゲートの新たな多カテゴリー一般化を提案する。
さらに,両部雑音やネットワークにおける近似推論のためのループ的信念伝播アルゴリズムの品質に関するシミュレーション結果を報告する。
関連論文リスト
- Structural Entropy Guided Probabilistic Coding [52.01765333755793]
構造エントロピー誘導型確率的符号化モデルSEPCを提案する。
我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。
分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
論文 参考訳(メタデータ) (2024-12-12T00:37:53Z) - An MRP Formulation for Supervised Learning: Generalized Temporal Difference Learning Models [20.314426291330278]
従来の統計的学習では、データポイントは独立して同じ分布(d)であると仮定される。
本稿では、データポイントを相互接続したものとして認識し、データモデリングにマルコフ報酬プロセス(MRP)を用いる、対照的な視点を示す。
我々は、強化学習(RL)における政治政策評価問題として、典型的教師付き学習を再構成し、一般化時間差学習アルゴリズム(TD)を解法として導入する。
論文 参考訳(メタデータ) (2024-04-23T21:02:58Z) - Provably Efficient Representation Learning with Tractable Planning in
Low-Rank POMDP [81.00800920928621]
部分的に観測可能なマルコフ決定過程(POMDP)における表現学習の研究
まず,不確実性(OFU)に直面した最大推定(MLE)と楽観性を組み合わせた復調性POMDPのアルゴリズムを提案する。
次に、このアルゴリズムをより広範な$gamma$-observable POMDPのクラスで機能させる方法を示す。
論文 参考訳(メタデータ) (2023-06-21T16:04:03Z) - Multi-Classification using One-versus-One Deep Learning Strategy with
Joint Probability Estimates [0.0]
提案モデルは他の最先端モデルよりも一般的に高い分類精度が得られる。
異なる応用における数値実験により,提案モデルが他の最先端モデルよりも一般的に高い分類精度を達成できることが示されている。
論文 参考訳(メタデータ) (2023-06-16T07:54:15Z) - Probabilistic Multi-Dimensional Classification [5.147849907358484]
多次元分類(MDC)は、各インスタンスごとに複数のクラス変数を予測する必要がある様々なアプリケーションに適用できる。
多くの既存のMDC手法は、少なくとも1つの不正確さ、スケーラビリティ、特定の種類のデータに対する限られた使用に悩まされている。
この論文は、これらすべての欠点を同時に解決しようとする試みである。
論文 参考訳(メタデータ) (2023-06-10T20:07:06Z) - Multi-annotator Deep Learning: A Probabilistic Framework for
Classification [2.445702550853822]
標準的なディープニューラルネットワークのトレーニングは、マルチアノテーションによる教師付き学習設定におけるサブパーパフォーマンスにつながる。
マルチアノテーション深層学習(MaDL)という確率的学習フレームワークを提案することでこの問題に対処する。
モジュラーネットワークアーキテクチャは、アノテータのパフォーマンスに関する様々な仮定を可能にする。
以上の結果から,MADLの最先端性能と,関連性のあるスパムアノテータに対する堅牢性が確認された。
論文 参考訳(メタデータ) (2023-04-05T16:00:42Z) - Multivariate Systemic Risk Measures and Computation by Deep Learning
Algorithms [63.03966552670014]
本稿では,主観的最適度と関連するリスク割り当ての公平性に着目し,重要な理論的側面について論じる。
私たちが提供しているアルゴリズムは、予備項の学習、二重表現の最適化、およびそれに対応する公正なリスク割り当てを可能にします。
論文 参考訳(メタデータ) (2023-02-02T22:16:49Z) - How Fine-Tuning Allows for Effective Meta-Learning [50.17896588738377]
MAMLライクなアルゴリズムから派生した表現を解析するための理論的フレームワークを提案する。
我々は,勾配降下による微調整により得られる最良予測器のリスク境界を提示し,アルゴリズムが共有構造を有効活用できることを実証する。
この分離の結果、マイニングベースのメソッド、例えばmamlは、少数ショット学習における"frozen representation"目標を持つメソッドよりも優れている。
論文 参考訳(メタデータ) (2021-05-05T17:56:00Z) - Network Classifiers Based on Social Learning [71.86764107527812]
空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。
提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。
この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
論文 参考訳(メタデータ) (2020-10-23T11:18:20Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-05T07:06:19Z) - Active Learning in Video Tracking [8.782204980889079]
本稿では,マッチング可能な構造化予測領域を用いた能動学習のための対角的アプローチを提案する。
我々は,この手法をビデオ中の物体追跡という,重要な構造化された予測問題においてアルゴリズム的に評価する。
論文 参考訳(メタデータ) (2019-12-29T00:42:06Z)
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。