論文の概要: Evaluating Meta-Feature Selection for the Algorithm Recommendation
Problem
- arxiv url: http://arxiv.org/abs/2106.03954v1
- Date: Mon, 7 Jun 2021 20:36:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-10 10:30:34.677511
- Title: Evaluating Meta-Feature Selection for the Algorithm Recommendation
Problem
- Title（参考訳）: アルゴリズム推薦問題に対するメタ機能選択の評価
- Authors: Geand Trindade Pereira, Moises Rocha dos Santos, Andre Carlos Ponce de
Leon Ferreira de Carvalho
- Abstract要約: 本稿では,アルゴリズムレコメンデーション問題のメタレベルにおける特徴選択と特徴抽出の実証分析について述べる。
次元性低減法(DR)は一般に予測性能を向上しなかった。
元のメタ機能の約20%を使用して高い予測性能を得ることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the popularity of Machine Learning (ML) solutions, algorithms and data
have been released faster than the capacity of processing them. In this
context, the problem of Algorithm Recommendation (AR) is receiving a
significant deal of attention recently. This problem has been addressed in the
literature as a learning task, often as a Meta-Learning problem where the aim
is to recommend the best alternative for a specific dataset. For such, datasets
encoded by meta-features are explored by ML algorithms that try to learn the
mapping between meta-representations and the best technique to be used. One of
the challenges for the successful use of ML is to define which features are the
most valuable for a specific dataset since several meta-features can be used,
which increases the meta-feature dimension. This paper presents an empirical
analysis of Feature Selection and Feature Extraction in the meta-level for the
AR problem. The present study was focused on three criteria: predictive
performance, dimensionality reduction, and pipeline runtime. As we verified,
applying Dimensionality Reduction (DR) methods did not improve predictive
performances in general. However, DR solutions reduced about 80% of the
meta-features, obtaining pretty much the same performance as the original setup
but with lower runtimes. The only exception was PCA, which presented about the
same runtime as the original meta-features. Experimental results also showed
that various datasets have many non-informative meta-features and that it is
possible to obtain high predictive performance using around 20% of the original
meta-features. Therefore, due to their natural trend for high dimensionality,
DR methods should be used for Meta-Feature Selection and Meta-Feature
Extraction.
- Abstract（参考訳）: 機械学習(ML)ソリューションの人気により、アルゴリズムとデータは処理能力よりも早くリリースされている。
この文脈では、アルゴリズム勧告(AR)の問題は近年大きな注目を集めている。
この問題は文学において学習タスクとして、しばしば特定のデータセットに対して最適な選択肢を推奨するメタラーニング問題として扱われてきた。
そのため、メタ機能でエンコードされたデータセットは、メタ表現と使用する最良のテクニックのマッピングを学習しようとするmlアルゴリズムによって探索される。
MLを成功させる上での課題のひとつは、いくつかのメタ機能を使用することができるため、特定のデータセットでもっとも価値のある機能を定義することだ。
本稿では,ar問題のメタレベルにおける特徴選択と特徴抽出に関する経験的分析を行う。
本研究は,予測性能,次元削減,パイプライン実行の3つの基準に着目した。
次元還元法 (dr) の適用は, 一般に予測性能の向上には至らなかった。
しかし、drソリューションはメタ機能の約80%を削減し、元のセットアップとほとんど同じ性能を得たが、ランタイムは低かった。
唯一の例外はPCAで、オリジナルのメタ機能と同じランタイムを提示した。
また, 実験結果から, 様々なデータセットが多くの非情報的メタ特徴を持ち, 元のメタ特徴の約20%を用いて高い予測性能が得られることを示した。
したがって, DR法は, 高次元化の自然な傾向から, メタ特徴抽出やメタ特徴抽出に利用すべきである。
関連論文リスト
- Learning to Learn with Indispensable Connections [6.040904021861969]
本稿では,メタ-LTHと呼ばれるメタ-LTHと呼ばれるメタ-ラーニング手法を提案する。
本手法は,オムニグロットデータセットの分類精度を約2%向上させる。
論文 参考訳（メタデータ） (2023-04-06T04:53:13Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - Towards Meta-learned Algorithm Selection using Implicit Fidelity
Information [13.750624267664156]
IMFASは、計算コストの低い任意のメタ機能によって容易に豊かになる情報的ランドマークを生産する。
テスト期間中に、ほぼ半分の忠実度シーケンスでSuccessive Halvingを破ることができることを示す。
論文 参考訳（メタデータ） (2022-06-07T09:14:24Z) - Does MAML Only Work via Feature Re-use? A Data Centric Perspective [19.556093984142418]
メタ学習型MAMLの表現機能に光を当てた経験的結果を提供する。
機能再使用の低さをもたらす合成ベンチマークのファミリを定義することが可能であることを示す。
メタラーニングを再考する上での課題は、数ショットの学習データセットとベンチマークの設計にあると推測する。
論文 参考訳（メタデータ） (2021-12-24T20:18:38Z) - Meta-aprendizado para otimizacao de parametros de redes neurais [0.9558392439655014]
ANNの最適化におけるメタラーニングの利用について検討した。
ネットワークの隠れノード数を選択するためにメタラーニングを用いたケーススタディを行った。
論文 参考訳（メタデータ） (2021-07-10T15:38:01Z) - Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and
Personalized Federated Learning [56.17603785248675]
モデルに依存しないメタラーニング (MAML) が人気のある研究分野となっている。
既存のMAMLアルゴリズムは、イテレーション毎にメタモデルを更新するためにいくつかのタスクとデータポイントをサンプリングすることで、エピソードのアイデアに依存している。
本稿では,MAMLのメモリベースアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-09T08:47:58Z) - Learning to Generalize Unseen Domains via Memory-based Multi-Source
Meta-Learning for Person Re-Identification [59.326456778057384]
本稿では,メモリベースのマルチソースメタラーニングフレームワークを提案する。
また,メタテスト機能を多様化するメタバッチ正規化層(MetaBN)を提案する。
実験により、M$3$Lは、目に見えない領域に対するモデルの一般化能力を効果的に向上できることが示された。
論文 参考訳（メタデータ） (2020-12-01T11:38:16Z) - Online Model Selection for Reinforcement Learning with Function
Approximation [50.008542459050155]
我々は、$tildeO(L5/6 T2/3)$ regretで最適な複雑性に適応するメタアルゴリズムを提案する。
また、メタアルゴリズムは、インスタンス依存の後悔境界を著しく改善することを示す。
論文 参考訳（メタデータ） (2020-11-19T10:00:54Z) - Meta-AAD: Active Anomaly Detection with Deep Reinforcement Learning [56.65934079419417]
偽陽性率が高いことは、異常検出アルゴリズムの長年の課題である。
本稿では,クエリ選択のためのメタポリシーを学習する新しいフレームワーク,Meta-AAD(Active Anomaly Detection with Meta-Policy)を提案する。
論文 参考訳（メタデータ） (2020-09-16T01:47:42Z) - Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
半教師付き学習における簡単なメタ学習アルゴリズムを提案する。
その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
論文 参考訳（メタデータ） (2020-07-08T08:48:56Z) - Guarantees for Tuning the Step Size using a Learning-to-Learn Approach [18.838453594698166]
ステップサイズを2次的損失に調整する簡単な問題に対して、学習から学習までのアプローチに対してメタ最適化を保証する。
メタ・グラディエント・オブジェクトを設計してメタ・グラディエントを束縛したままにしておく方法はあるが、バックプロパゲーションを用いて直接メタ・グラディエントを計算すれば、数値的な問題が発生する。
また,メタオブジェクトを別個の検証セットで計算し,学習性能を確保する必要がある場合の特徴付けを行う。
論文 参考訳（メタデータ） (2020-06-30T02:59:35Z)
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。